[發明專利]一種基于自學習的智能體生成方法及系統

在審

• 申請號: 202011130247.7
• 申請日: 2020-10-21
• 公開（公告）號: CN112446963A
• 公開（公告）日: 2021-03-05
• 發明（設計）人: 曾賁;林廷宇;肖瑩瑩;賈政軒;李鶴宇
• 申請（專利權）人: 北京仿真中心
• 主分類號: G06T19/00
• 分類號: G06T19/00
• 代理公司: 北京正理專利代理有限公司 11257
• 代理人: 付生輝

本發明提供一種基于自學習的智能體生成方法及系統，所述方法具體實施方式包括：構建虛擬空間模型和智能算法模型；獲取智能算法模型數據，構建虛擬空間中的智能算法模型；對智能算法模型進行訓練，并構建智能算法模型演化庫；基于構建智能算法模型演化庫，對智能算法模型進行校驗，得到智能體；該方法簡化數據驅動技術的使用過程，降低數據驅動技術的使用門檻，加速智能體的迭代與演化，實現智能設計的過程，使數據驅動技術的應用領域進一步擴展。

技術領域

本發明涉及自學習技術領域，更具體的，涉及一種基于自學習的智能體生成方法及系統。

背景技術

近年來，在大數據、云計算、機器視覺等技術突飛猛進的基礎上，人工智能的應用前景得到了空前的發展，這種數據驅動技術正逐漸展露其不可替代的巨大作用，Gartner認為，到2020年，至少40％的新研發項目會在團隊中配備人工智能專業人員和技術手段輔助開展工作。

隨著計算機性能的綜合提升，數據驅動技術正快速迭代演化出自主學習的特性，在應對復雜產品/系統的設計效用迅速提升，進而逐漸在應對多維度的復雜設計問題上實現了顛覆性的突破，甚至在一些領域上超越了人類的頂級專家，如紅領集團變批量/定制化的服裝設計、圍棋/中國象棋/國際象棋等對弈系統設計、DOTA2/星際爭霸II等即時策略游戲智能體的設計等已經能夠完美戰勝人類專家。

然而，在自主學習技術不斷擴展至各個領域的過程中，一些工程性質的實際問題正持續發酵。具體而言，由于人不擅長進行多維信息之間的精確量化分析，系統越復雜則人抽象和認知的速度越慢，通過自主學習的方法可以加速知識的產生和方案的生成，但由于數據驅動技術的成熟應用與否取決于數據資源的體量/可靠性、計算框架的時效、虛實映射的成熟度等因素，特別是在處理復雜設計任務時，面臨數據獲取難、機理建模復雜、模型遷移等具體問題，采用傳統方法構建的設計模型將很難實現短時間收斂。

發明內容

為了解決上述問題中的至少一個，本發明第一方面提供一種基于自學習的智能體生成方法，包括：

構建虛擬空間模型和智能算法模型；

獲取智能算法模型數據，構建虛擬空間中的智能算法模型；

對智能算法模型進行訓練，并構建智能算法模型演化庫；

基于構建智能算法模型演化庫，對智能算法模型進行校驗，得到智能體。

在可選的實施方式中，所述構建虛擬空間模型和智能算法模型，包括：

依據系統的設計指標、參數、約束以及系統需要完成的任務目標，構建虛擬空間模型；

基于虛擬空間模型和智能方法，構建智能算法模型；

在可選的實施方式中，獲取智能算法模型數據，構建虛擬空間中的智能算法模型，包括：

針對不同的設計目標、設計變量以及設計參數，構建訓練場景；

基于訓練場景，形成統一的調用架構模型，將調用架構模型與智能算法模型進行集成；

將具體的智能算法模型與分布式計算方法相結合，使智能算法模型收斂。

在可選的實施方式中，對智能算法模型進行訓練，并構建智能算法模型演化庫，包括：

基于任務目標和設計指標，對智能算法模型的決策行為進行獎懲評判，進而調整智能算法模型的演進方向；

基于構建虛擬空間模型和智能算法模型，構建智能算法模型演化庫。

在可選的實施方式中，基于構建智能算法模型演化庫，對智能算法模型進行校驗和調整，得到智能體，包括：

根據智能算法模型演化庫中的評價分數，選取智能算法模型進行物理校驗；