

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、Agent在人工智能領域中指能自主活動的軟件或硬件實體,是一種具有自治性、反應性、主動性和社會性的智能體。隨著Internet應用的不斷深入和計算機技術的快速發(fā)展,移動Agent概念被提出并得到廣泛應用。移動Agent是一種特殊的Agent,移動性是其最重要的特點,它可以通過網絡從一臺主機移動到另一臺主機運行,并根據需要生成具有相同性質的子Agent。移動Agent的特點還包括異構和異步性、降低網絡通訊費用、分布和并行性、智能化路由等。
2、
移動Agent在分布式計算、信息檢索、電子商務等領域具有廣泛的應用。移動Agent可以將單個節(jié)點的任務分散到多個節(jié)點完成,減輕了單個節(jié)點的負擔并且提高了效率;移動Agent可以代表用戶在Internet范圍內搜索信息資源或服務。
將移動Agent技術與工作流技術相結合可以得到基于移動計算泛型的遷移工作流技術。遷移工作流實施是移動Agent的一個重要應用領域,在遷移工作流中的移動Agent稱為遷移實例,可以實現業(yè)務流
3、程的全部或部分自動化執(zhí)行。
遷移實例完成業(yè)務過程目標的路徑規(guī)劃問題是遷移工作流技術相關研究中的一個重要方向,也是提高工作流管理系統性能的關鍵。具有約束的遷移實例路徑規(guī)劃是整體業(yè)務過程具有約束條件的路徑規(guī)劃問題,遷移實例選擇的工作位置需要滿足給定的約束條件。
遷移實例路徑規(guī)劃方法可分為靜態(tài)規(guī)劃和動態(tài)規(guī)劃兩大類,靜態(tài)規(guī)劃需要完全確定的環(huán)境模型,并且在遷移實例出發(fā)之前就為其確定了遷移路徑。在不確定的環(huán)境模型中,遷移實例需要
4、采用動態(tài)規(guī)劃的方法規(guī)劃遷移路徑。
本文以遷移工作流模型中遷移實例的動態(tài)路徑規(guī)劃方法為主要研究內容,首先提出了不確定工作位置網絡環(huán)境中基于強化學習的遷移實例動態(tài)路徑規(guī)劃方法,遷移實例在遷移決策時通過Q學習的在線學習方式來獲取環(huán)境信息,并根據學習結果規(guī)劃遷移路徑。鑒于遷移實例路徑規(guī)劃問題就是不斷選取工作位置并利用其提供的服務完成任務序列的過程,也就是工作位置服務選擇的過程,本文將遷移實例路徑規(guī)劃問題看作工作位置服務選擇問題,工作位
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于分層強化學習的AUV路徑規(guī)劃方法研究.pdf
- 基于強化學習的牽引車路徑規(guī)劃研究.pdf
- 基于實例和特征的遷移學習算法研究.pdf
- 基于實例的遷移學習算法研究.pdf
- 基于分層強化學習的多agent路徑規(guī)劃與編隊方法研究.pdf
- 基于免疫理論的遷移工作流實例安全路徑規(guī)劃研究.pdf
- 基于強化學習的Ad Hoc網絡QoS路由算法研究.pdf
- 基于分層強化學習的移動機器人路徑規(guī)劃.pdf
- 基于狀態(tài)預測強化學習的移動機器人路徑規(guī)劃研究.pdf
- 強化學習在機械手路徑規(guī)劃中的應用.pdf
- 基于強化學習的QoS感知的服務組合優(yōu)化方案研究.pdf
- 徑向基函數網絡和實例學習在強化學習中的應用.pdf
- 基于強化學習的駕駛員車輛路徑選擇過程研究.pdf
- 遷移工作流系統中遷移實例的安全遷移規(guī)劃研究.pdf
- SDN下基于強化學習的路由規(guī)劃算法研究.pdf
- 面向強化學習的規(guī)劃優(yōu)化方法研究.pdf
- 基于試錯學習的強化學習算法的研究.pdf
- 基于實例與特征的遷移學習文本分類方法研究.pdf
- 基于深度學習和強化學習的多目標檢測跟蹤.pdf
- 基于深度學習和強化學習的車輛定位與識別.pdf
評論
0/150
提交評論