.png){kind=icon}
返回
Multi-Agent Reinforcement Learning Considering Agent Priority for Weapon-Target Assignment
.png){kind=icon}
PRE
AI
DOI：10.2514/1.i011676.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种新颖的多智能体强化学习（MARL）方法，通过引入智能体优先级来解决具有约束条件的武器目标分配（WTA）问题，例如异构交战时间窗口。所提出的方法首先为涉及异构、多智能体的WTA问题定义了去中心化的马尔可夫决策过程（Dec-MDP）模型。该方法采用分层结构进行MARL训练，包含智能体选择器和目标选择器，依次确定分配顺序，即优先射手选择和目标选择。通过实验设计，所提出的模型展示了在短时间内生成高质量分配方案的能力。该模型在各种场景中表现出卓越性能，实现了最低威胁生存率，相较于其他基线方法具有明显优势，尤其是在严格约束场景下。消融研究和定性分析被用来阐明关键组件对性能的影响，这些定性研究揭示了智能体和目标选择的学习机制。此外，迁移性测试证实了模型在未见问题案例中的适用性，其中训练和测试环境不同，表明其在各种场景下适应现实世界的潜力。
Keyword:
Weapon Target Assignment
Reinforcement Learning
Markov Decision Process
Artificial Neural Network
Computing and Informatics
Optimization Algorithm
Artificial Intelligence System
Missile Defense
Military Technology
期刊
IF:
1.5
论文数:
72
被引数:
987
机构
引用论文
.png){kind=icon}
Heterogeneous Attentions for Solving Pickup and Delivery Problem via Deep Reinforcement Learning
OAAI
OAAI分享收藏分享收藏
查看更多内容