一种面向智能体学习演进能力的评测方法

本发明涉及无人系统智能化水平评价方法领域，具体为一种面向智能体学习演进能力的评测方法。

背景技术：

1、国内外无人系统技术飞速发展，为加快无人系统关键技术的研究，进行无人系统智能化水平评价成为驱动无人系统技术进步的首要任务。目前，主流的无人系统智能水平评价方法都是基于感知、操控、决策三个能力展开构建评价体系的。如美国国家标准与技术研究院于2003年提出并建立了无人系统自主级别alfus框架，基于障碍地形识别、任务规划、协同操作等能力对各类无人系统进行全面地评价和等级划分，首次为无人系统的自主性评价建立了规范化框架，并提供了理论指导；美国航空航天局nasa也基于任务执行能力以及决策能力建立了智能系统智能水平等级划分nasa smart框架；无人驾驶汽车，通过它自身所带的传感器来了解车辆周边的环境，再按照任务要求进行实时决策，因此将无人车感知到的环境复杂度、任务复杂度构成以及人工干预程度作为智能水平的评价标准,最终构建出了当前最具通用性的“sae驾驶自动化分级”智能水平评价框架。

2、然而，alfus和nasa smart以及sae中均没有将智能体的学习演进能力纳入其智能化水平的评测标准中，随着如今科技的发展，智能体的学习演进能力已然成为了评判智能水平不可或缺的标准之一，智能体的学习演进能力体现在与外部环境的交互、执行任务的过程中丰富现有知识库，从而使智能体的感知理解、推理决策以及行为执行能力得到进一步提升。例如，无人车对场景进行学习以降低新障碍地形漏识别率，对操控对象进行学习以提高新对象抓取成功率，以及学习脱困技能以提升自身的脱困速度和越障能力等。学习演进是提升现有智能水平和实现强人工智能的基础，因此，建立一套面向智能体学习演进能力的智能水平评测方法尤为重要。

3、目前解决相关问题现有技术如下：

4、申请号cn202211305688.5，申请名称一种评估指标群决策赋权方法及系统，该方法包括：采集评估指标集合的权重值，得到评估指标独立赋权结果；利用贝叶斯网络，构建得到群决策赋权模型；所述群决策赋权模型包括评估指标节点、独立赋权节点、权威等级节点；响应于用户的分布数据参数的设置，得到所有节点的先验分布数据和条件分布数据；响应于用户的赋权与权威参数的设置，得到所有对象的所述评估指标独立赋权结果和对象权威等级数据；利用所述群决策赋权模型、信念传播算法，对所述数据进行权重融合处理，得到评估指标群决策融合权重值。可见，本发明有利于增强共识、平抑分歧，有益于提升指标权重的可信程度，符合群决策时对象来源多样化的实际场景。

5、其群决策赋权模型是通过贝叶斯网络构建的，赋权方法是通过群决策赋权模型、信念传播算法，对数据进行权重融合处理，得到评估指标群决策融合权重值。本文面向智能体学习演进能力的赋权模型是根据智能体的学习特征构建的，两个抽象层涵盖了智能体学习演进能力的特性，一个具体层使得赋权模型结构更加灵活。赋权方法是通过客观赋权法对具体层赋权，主观赋权法对抽象层赋权，最后自下而上逐层加权求和，实现对智能体学习演进能力的量化评分。

6、申请号cn202211056030.5，申请名称基于dematel和熵权法的积分激励的方法，通过将主观赋权法与客观赋权法相结合形成组合赋权模型，结合用户健身相关指数、区域内任务位置，来进行制定相应的任务积分奖励方案，进而达到刺激用户使用的目的。

7、其目的是通过赋权模型来计算奖励分数以刺激用户。本文的发明领域为人工智能应用，发明目的是建立了一套面向智能体学习演进能力的通用评测方法，实现对智能体学习演进能力的量化评分，从而解决当前缺乏对智能体学习演进能力评测的迫切需求。

技术实现思路

1、为了解决以上问题，本发明提出一种面向智能体学习演进能力的评测方法，实现对智能体学习演进能力的量化评分，从而解决当前缺乏对智能体学习演进能力评测的迫切需求。

2、为实现上述目的，本发明采取的技术方案是：

3、一种面向智能体学习演进能力的评测方法，具体步骤如下：

4、步骤一：建立智能体学习演进能力评价分层体系，将学习演进能力划分成三个指标层，第一层、第二层为抽象层，第三层为具体层；

5、步骤二：运用赋权模型给第三层具体层指标赋权，赋权模型为客观赋权法；

6、步骤三：按照顺序先后给第二层抽象层与第一层抽象层的指标赋权，赋权模型均为主观赋权法；

7、步骤四：计算第三层指标标准化分数，根据步骤二、步骤三的赋权结果，自下而上逐层加权求和，实现对智能体学习演进能力的量化评分。

8、作为本发明进一步改进，所述步骤一中建立的智能体学习演进能力评价分层体系具体步骤如下：

9、步骤1.1：将智能体的学习水平的评测体系的第一层抽象为以下三类：

10、(i)提优学习能力p：指智能体对已经掌握的知识技能，在学习后水平能够进一步的提升；

11、(ii)创新学习能力c：指智能体对于没有掌握的知识技能，能够快速学习并掌握；

12、(iii)知识库增长能力k：指智能体在学习后，知识库获得一定程度增长，从而提高知识库上限；

13、根据上述三个分类将智能体的学习水平进行第一层抽象层的划分，即分别为提优学习能力，创新学习能力，知识库增长能力；

14、步骤1.2：将步骤1.1中的第一层能力依据感知、操控、决策三大智能体智能水平评测指标进行进一步划分，得到学习水平的第二层抽象层指标：

15、将提优学习能力划划分为：

16、(i)感知类指标提升能力p1：指智能体学习后，已有感知能力的提升量；

17、(ii)操控类指标提升能力p2：指智能体学习后，已有操控能力的提升量；

18、(iii)决策类指标提升能力p3：指智能体学习后，已有决策能力的提升量；

19、将创新学习能力划分成：

20、(i)新感知类指标学习能力c1：指智能体对未掌握的感知相关新知识技能快速学习并掌握的能力；

21、(ii)新操控类指标学习能力c2：指智能体对未掌握的操控相关新知识技能快速学习并掌握的能力；

22、(iii)新决策类指标学习能力c3：指智能体对未掌握的决策相关新知识技能快速学习并掌握的能力；

23、将知识库增长能力划分成：

24、(i)感知知识库增长量k1：指智能体在学习后，其知识库中感知相关知识的增长量；

25、(ii)操控知识库增长量k2：指智能体在学习后，其知识库中操控相关知识的增长量；

26、(iii)决策知识库增长量k3：指智能体在学习后，其知识库中决策相关知识的增长量；

27、步骤1.3：对步骤1.2中第二层抽象层的指标，依据具体面向的评测对象以及各项任务的具体指标进行扩充，得到第三层具体层：

28、感知准确度指标提升能力具体指标：p11，p12，p11,…,p1n：

29、操控成功率指标提升能力具体指标：p21，p22，p23,…,p2n：

30、决策成功率指标提升能力具体指标：p31，p32，p33,…,p3n：

31、新感知类指标学习能力具体指标：c11，c12，c13,…,c1n：

32、新操控类指标学习能力具体指标：c21，c22，c23,…,c2n：

33、新决策类指标学习能力具体指标：c31，c32，c33,…,c3n：

34、感知知识库增长量具体指标：k11，k12，k13,…,k1n：

35、操控知识库增长量具体指标：k21，k22，k23,…,k2n：

36、决策知识库增长量具体指标：k31，k32，k33,…,k3n：

37、建立相应智能体的学习演进能力分层体系。

38、作为本发明进一步改进，所述步骤二中的赋权具体步骤如下：

39、运用赋权模型给第三层具体层赋权，赋权模型为客观赋权法，客观赋权法完全依赖数据，克服人为干扰，从数据的特征出发决定指标的重要程度为指标赋权：

40、根据客观赋权法计算得到第三层具体层所有具体指标的权重：

41、

42、其中，w代表权重，下标3代表第三层，上标xij代表第三层的具体某个指标；

43、并且

44、作为本发明进一步改进，所述步骤三中的赋权具体步骤如下：

45、按照顺序先后给第二层抽象层与第一层抽象层的指标赋权，赋权模型均为主观赋权法，主观赋权法是通过主观判断来确定指标权重的一类方法，可选用的主观赋权法有ahp法等。

46、步骤3.1：根据主观赋权法计算得到第二层抽象层各指标的权重：

47、

48、其中，w代表权重，下标2代表第二层，上标xi代表第二层的具体某个指标。

49、

50、步骤3.2：根据主观赋权法计算得到第一层抽象层各指标的权重：

51、提优学习能力p权重：

52、创新学习能力c权重：

53、知识库增长能力k权重：

54、

55、作为本发明进一步改进，所述步骤四中量化评分具体步骤如下：

56、步骤4.1：根据智能体对象的第三层实际学习指标进行测试，将测试数据通过打分函数进行标准化，得到标准化分数:

57、

58、其中，s代表分数，下标xij代表第三层的具体某个指标；

59、步骤4.2：根据步骤二的第三层指标权重，计算第二层指标得分：

60、

61、其中，s代表分数，下标xi代表第二层的具体某个指标；

62、步骤4.3：根据步骤三的第二层指标权重，计算第一层指标得分：

63、

64、其中，s代表分数，下标x代表第一层的具体某个指标；

65、步骤4.4：根据步骤四的第一层指标权重，计算智能体学习能力总分：

66、

67、至此完成了对智能体的学习演进能力的评测。

68、有益效果：

69、本发明建立了一套面向智能体学习演进能力的通用评测方法，能够实现对智能体学习演进能力的量化评分，有助于研究人员在从事智能体相关研究的过程中直观了解其当前所具备学习演进能力，准确地发现存在的弱项并及时提升，对推动智能体技术的快速发展具有现实意义。