典型文献
自适应多智能体算法优化深度网络的列车智能驾驶
文献摘要：
在利用深度学习实现列车智能驾驶时,神经网络架构和参数的选择过于依赖人工经验,现有梯度下降法在参数优化时易陷入局部最优,且学习任务单一.针对上述问题,提出一种自适应多种群链式多智能体算法(AMPCMA)优化LSTM网络的列车智能驾驶新方法,该方法有机地将计算智能与深度学习结合,能充分挖掘优秀驾驶员数据.其具体实现过程为:首先,从自动化深度学习角度出发,采用遗传算法(GA)优化深度网络结构,克服了其结构难以确定的问题,并在此基础上分粗、细学习2个阶段对整个网络的参数进行优化.在粗学习阶段,采用AMPCMA算法对LSTM参数预置初值,有效地学习多个任务的共性.该算法能在进化过程中动态调整小种群链表规模,具有较好的灵活性和自适应性.接着在细学习阶段,基于上述多任务共性学习所得到的LSTM参数,再用Adam算法分别对单个任务上的参数精细优化,以实现任务的个性学习;其次,有效地设计了多任务之间的信息共享机制,且任务共性和个性学习有机结合,使得整个网络泛化能力强,较好地改善了列车档位、档位操纵时间和列车速度的多任务决策效果;最后,通过仿真实验验证了所提出的AMPCMA-LSTM模型较传统机器学习方法更优越,提高了列车操控与预测精度,并能在多种操控序列下表现出较强的鲁棒性.
文献关键词：
城市轨道交通;LSTM;自适应多种群链式多智能体;多任务学习;列车智能驾驶
中图分类号：
作者姓名：
徐凯;涂永超;徐文轩;吴仕勋
作者机构：
重庆交通大学 信息科学与工程学院,重庆 400074;重庆大学 电气工程学院,重庆 400044
文献出处：
引用格式：
[1]徐凯;涂永超;徐文轩;吴仕勋-.自适应多智能体算法优化深度网络的列车智能驾驶)[J].铁道科学与工程学报,2022(10):2820-2832
A类：
列车智能驾驶,自适应多种群链式多智能体,AMPCMA,自动化深度学习
B类：
算法优化,神经网络架构,梯度下降法,局部最优,学习任务单,计算智能,驾驶员,实现过程,GA,深度网络结构,难以确定,预置,初值,地学,小种,链表,自适应性,Adam,现任,个性学习,信息共享机制,共性和个性,泛化能力,档位,操纵,列车速度,任务决策,决策效果,机器学习方法,更优越,操控,城市轨道交通,多任务学习
AB值：
0.271828
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
