买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜中科南京人工智能创新研究院申请的专利基于分布式强化学习的水下探测器集群自适应探测方法与系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119204155B 。

龙图腾网通过国家知识产权局官网在2025-03-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411713034.5，技术领域涉及：G06N3/092；该发明授权基于分布式强化学习的水下探测器集群自适应探测方法与系统是由何川;张琳;张玲玲设计研发完成，并于2024-11-27向国家知识产权局提交的专利申请。

本基于分布式强化学习的水下探测器集群自适应探测方法与系统在说明书摘要公布了：本发明公开了一种基于分布式强化学习的水下探测器集群自适应探测方法与系统，该方法包括获取探测器状态数据和环境参数数据，通过自适应标准化处理得到标准化状态矩阵，基于空间关系量化构建群体拓扑特征矩阵，生成最终特征表示；构建动作原型矩阵和动作耦合张量，基于约束条件优化动作空间，通过多层评估筛选得到可行动作集合；基于多维奖励机制构建综合奖励函数，进行策略优化和经验优化，得到最终优化策略；建立多层决策评估系统和实时监控机制，构建经验知识库并持续优化。本发明通过多层次特征提取、动态动作优化、自适应策略学习和知识积累，提升了水下探测器集群的协同性能和环境适应能力。

本发明授权基于分布式强化学习的水下探测器集群自适应探测方法与系统在权利要求书中公布了：1.基于分布式强化学习的水下探测器集群自适应探测方法，其特征在于，包括如下步骤：S1、获取探测器特征数据，通过自适应标准化处理，得到标准化状态矩阵；基于标准化状态矩阵，构建空间关系量化矩阵；基于空间关系量化矩阵，生成群体拓扑特征矩阵；将群体拓扑特征矩阵转换为概率分布矩阵并计算熵特征向量；将标准化状态矩阵、群体拓扑特征矩阵和熵特征向量进行特征融合，得到最终特征表示；其中探测器特征数据包括探测器基础状态数据、环境参数数据和探测器群位置数据；S2、基于最终特征表示，构建动作原型矩阵和动作耦合张量；基于动作原型矩阵和动作耦合张量，生成约束条件集合；基于约束条件集合，对动作耦合张量进行优化，得到优化后的动作空间；基于优化后的动作空间，构建动作评估矩阵，通过筛选算法得到可行动作集合；对可行动作集合进行多层次编码，生成编码后的动作空间；S3、基于最终特征表示、群体拓扑特征矩阵和编码后的动作空间，构建包含效率奖励、安全奖励、协同奖励和信息获取奖励的基础奖励张量；基于基础奖励张量，构建动态权重调整矩阵，生成综合奖励函数；基于综合奖励函数，进行策略优化，得到优化后的策略参数；基于优化后的策略参数，构建分层经验缓冲区并进行经验优化，得到优化后的经验池；基于优化后的经验池，进行多策略集成，得到最终优化策略；S4、基于最终优化策略，构建包含即时决策层、战术决策层和战略决策层的决策评估张量，并通过多层次融合得到融合决策矩阵；基于融合决策矩阵，构建实时监控矩阵，进行异常检测和处理，得到调整后的执行参数；基于调整后的执行参数，构建多维度评估指标系统，通过自适应权重算法得到评估权重和性能指标；基于调整后的执行参数、评估权重和性能指标，获取执行数据，构建经验知识库，通过知识提炼算法得到优化后的知识库和更新规则；步骤S1进一步为：S11、获取探测器基础状态数据和环境参数数据，通过计算动态均值和动态标准差，结合预设的指数衰减的平滑因子进行标准化处理，得到标准化状态矩阵；其中，探测器基础状态数据包括探测器的三维空间坐标、速度标量、水平面偏角、垂直面偏角和剩余能量水平；环境参数数据包括水压、温度、电导率和水流速度向量；S12、获取探测器群位置数据，构建位置矩阵和空间距离度量矩阵；将空间距离度量矩阵与预配置的角度相关性矩阵和能量势差矩阵进行加权组合，得到空间关系量化矩阵；基于空间关系量化矩阵和位置矩阵，通过动态系数调节的矩阵运算，生成群体拓扑特征矩阵；S13、将群体拓扑特征矩阵输入到概率分布转换单元，通过指数归一化运算，得到概率分布矩阵；将概率分布矩阵与预配置的局部环境权重矩阵进行加权计算，生成条件信息熵矩阵；对条件信息熵矩阵进行行向量提取和组合，形成熵特征向量；S14、基于标准化状态矩阵、群体拓扑特征矩阵和熵特征向量，通过张量堆叠操作，生成多维特征张量；对多维特征张量应用压缩算法，得到压缩特征张量；将压缩特征张量与预配置的自适应特征选择矩阵进行矩阵乘法运算，得到最终特征表示。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中科南京人工智能创新研究院，其通讯地址为：211135 江苏省南京市江宁区创研路266号麒麟人工智能产业园3号楼3楼；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。