【技術實現步驟摘要】
本專利技術涉及數據處理的，特別涉及一種ai智能體生成方法、平臺系統、電子設備和存儲設備。
技術介紹
1、ai智能體在眾多領域展現出了巨大的應用潛力，如工業自動化、智能交通、醫療診斷以及金融風險評估等。
2、在智能體的訓練與優化階段，常用的訓練算法如q-learning等在處理高維狀態空間和連續動作空間的任務時，存在收斂速度慢、樣本利用效率低等缺陷。而且，傳統的訓練方法缺乏對智能體與環境交互過程中的動態反饋的有效利用，導致智能體在實際應用中難以快速適應環境的變化，無法及時調整自身策略以應對各種復雜情況，從而影響了智能體的任務完成質量和效率。
技術實現思路
1、本專利技術的主要目的為提供一種ai智能體生成方法、平臺系統、電子設備和存儲設備，旨在克服智能體在實際應用中難以快速適應環境的變化，無法及時調整自身策略的缺陷。
2、為實現上述目的，本專利技術提供了一種ai智能體生成方法，包括以下步驟：
3、獲取規范化的任務數據集；其中，所述任務數據集包括歷史任務數據及對應的執行結果數據；
4、對所述規范化的任務數據集進行特征提取，構建為任務特征數據；
5、采用分層分布式架構，結合遺傳算法對智能體的初始參數進行優化，確定智能體的基礎結構和初始狀態，得到初始化的智能體架構；
6、基于所述任務特征數據對所述初始化的智能體架構進行強化學習訓練與優化，生成ai智能體；其中，利用近端策略優化算法，利用所述任務特征數據在模擬環境中使智能體
7、進一步地，所述獲取規范化的任務數據集，包括：
8、對歷史任務數據及對應的執行結果數據進行預處理，去除無效和錯誤數據，并對不同格式的數據進行標準化轉換，得到規范化的任務數據集。
9、進一步地，采用分層分布式架構，結合遺傳算法對智能體的初始參數進行優化，確定智能體的基礎結構和初始狀態，得到初始化的智能體架構，包括：
10、將智能體劃分為感知層、決策層和執行層，在感知層配置多種類型的傳感器數據融合模型，用于接收數據；
11、在決策層構建基于神經網絡的決策模型，采用遺傳算法對決策模型的權重、閾值以及神經元連接結構進行編碼操作，生成初始種群；
12、設定適應度函數，所述適應度函數基于智能體在預定義的任務場景中的執行效率、資源消耗以及任務完成準確率進行構建；
13、通過遺傳算法的選擇、交叉和變異操作，對初始種群進行迭代進化，在每一代進化過程中，根據適應度函數評估個體的優劣，選擇優秀個體進入下一代種群，并對選擇的個體進行交叉和變異操作，以探索更優的參數組合；
14、當達到預定的迭代次數或滿足收斂條件時，從最終的種群中選擇具有最高適應度值的個體，將其對應的參數解碼后作為決策層的優化參數，并結合感知層和執行層的預設標準配置，確定智能體的基礎結構和初始狀態，得到初始化的智能體架構。
15、進一步地，基于所述任務特征數據對所述初始化的智能體架構進行強化學習訓練與優化，生成ai智能體，包括：
16、初始化智能體架構的策略網絡參數及價值網絡參數，策略網絡用于生成行動決策，價值網絡用于評估收益；
17、利用近端策略優化算法，基于任務特征數據，智能體架構在模擬環境中執行后獲取獎勵與新狀態，并存入經驗回放緩沖區；經驗回放緩沖區滿后采樣數據，以此更新策略網絡參數和價值網絡參數；
18、完成預定訓練輪數后，所得智能體即為生成的ai智能體。
19、進一步地，生成ai智能體之后，還包括：
20、獲取待部署所述ai智能體的各個終端的終端類型；
21、基于各個終端類型，生成一個基礎部署碼；
22、針對各個終端，基于其對應的終端類型，生成終端部署碼；
23、針對各個終端進行ai智能體的部署時，將所述基礎部署編碼與所述終端部署碼進行組合，作為各個所述終端對應部署所述ai智能體的權限碼；
24、將所述ai智能體發送至各個終端時，基于對應的權限碼配置所述ai智能體的部署權限。
25、進一步地，所述基于各個終端類型，生成一個基礎部署碼，包括：
26、分別對各個終端類型進行編碼并組合，得到編碼組合；
27、將所述編碼組合中的字符逐一添加至多行多列的矩陣中，生成字符矩陣；
28、在數據庫中獲取各個終端類型對應的圖形；
29、對獲取的圖形進行數字化處理，提取各個圖形的關鍵特征點坐標，并將各個關鍵特征點坐標按照預定順序排列成坐標序列；
30、對所述字符矩陣進行奇異值分解，得到多個奇異值，選取前若干個奇異值與所述坐標序列進行融合，得到融合數值序列；
31、對所述融合數值序列進行加密處理，作為所述基礎部署碼。
32、進一步地，所述基于各個終端類型，生成一個基礎部署碼，包括：
33、針對不同的終端類型，將其編碼為特定長度的二進制編碼串；
34、對所有二進制編碼串進行異或操作，得到一個初始融合碼；
35、將所述初始融合碼作為一個多項式的系數序列，通過編碼算法對其進行糾錯編碼處理，增加冗余信息，得到一個編碼多項式；
36、對所述編碼多項式在有限域上進行求值運算，選取其中若干個特定位置的求值結果組成一個數值序列；
37、以所述數值序列中的數值為控制點，利用貝塞爾曲線生成算法繪制一條二維平面上的貝塞爾曲線；
38、對貝塞爾曲線進行均勻采樣，獲取多個采樣點的坐標值，將所述坐標值編碼轉換為一串字符，作為所述基礎部署碼。
39、本專利技術還提供了一種ai智能體生成的平臺系統，包括：
40、獲取單元，用于獲取規范化的任務數據集；其中，所述任務數據集包括歷史任務數據及對應的執行結果數據；
41、提取單元，用于對所述規范化的任務數據集進行特征提取，構建為任務特征數據；
42、初始化單元，用于采用分層分布式架構，結合遺傳算法對智能體的初始參數進行優化，確定智能體的基礎結構和初始狀態，得到初始化的智能體架構；
43、生成單元，用于基于所述任務特征數據對所述初始化的智能體架構進行強化學習訓練與優化，生成ai智能體；其中，利用近端策略優化算法，利用所述任務特征數據在模擬環境中使智能體架構反復執行，根據任務完成的獎勵反饋，不斷調整智能體架構的策略網絡參數，得到訓練優化后的ai智能體。
44、本專利技術還提供一種電子設備，包括存儲器和處理器，所述存儲器中存儲有計算機程序，所述處理器執行所述計算機程序時實現上述任一項所述方法的步驟。
45、本專利技術還提供一種存儲設備，其上存儲有計算機程序，所述計算機程序被處理器執行時實現上述任一項所述的方法的步驟。
46、本專利技術提供的ai智能體生本文檔來自技高網...
【技術保護點】
1.一種AI智能體生成方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的AI智能體生成方法，其特征在于，所述獲取規范化的任務數據集，包括：
3.根據權利要求1所述的AI智能體生成方法，其特征在于，采用分層分布式架構，結合遺傳算法對智能體的初始參數進行優化，確定智能體的基礎結構和初始狀態，得到初始化的智能體架構，包括：
4.根據權利要求1所述的AI智能體生成方法，其特征在于，基于所述任務特征數據對所述初始化的智能體架構進行強化學習訓練與優化，生成AI智能體，包括：
5.根據權利要求1所述的AI智能體生成方法，其特征在于，生成AI智能體之后，還包括：
6.根據權利要求5所述的AI智能體生成方法，其特征在于，所述基于各個終端類型，生成一個基礎部署碼，包括：
7.一種AI智能體生成的平臺系統，其特征在于，包括：
8.一種電子設備，包括存儲器和處理器，所述存儲器中存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至6中任一項所述方法的步驟。
9.一種存儲設備，其上
...【技術特征摘要】
1.一種ai智能體生成方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的ai智能體生成方法，其特征在于，所述獲取規范化的任務數據集，包括：
3.根據權利要求1所述的ai智能體生成方法，其特征在于，采用分層分布式架構，結合遺傳算法對智能體的初始參數進行優化，確定智能體的基礎結構和初始狀態，得到初始化的智能體架構，包括：
4.根據權利要求1所述的ai智能體生成方法，其特征在于，基于所述任務特征數據對所述初始化的智能體架構進行強化學習訓練與優化，生成ai智能體，包括：
5.根據權利要求1所述的...
【專利技術屬性】
技術研發人員：車建波，
申請(專利權)人：深圳市貝鉑智能科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。