XiaoMi-AI文件搜索系统
World File Search SystemMAPPO
提供者必须请求事先授权的程序代码
33238 移除永久起搏器静脉电极 HMO|PPO* Carelon 33240 插入带有现有单导线的除颤器 BCNA|MAPPO|HMO|PPO* Carelon 33241 移除除颤器 BCNA|MAPPO|HMO|PPO* Carelon 33243 通过切口移除除颤器电极 BCNA|MAPPO|HMO|PPO* Carelon 33244 通过静脉移除除颤器电极 BCNA|MAPPO|HMO|PPO* Carelon 33249 插入植入式除颤系统 BCNA|MAPPO|HMO|PPO* Carelon 33262 移除和更换单导线除颤器 BCNA|MAPPO|HMO|PPO* Carelon 33263 移除和更换双导线除颤器 BCNA|MAPPO|HMO|PPO* Carelon 33264 移除和更换多导线除颤器 BCNA|MAPPO|HMO|PPO* Carelon 33270 插入或更换带电极的除颤器 BCNA|MAPPO|HMO|PPO* Carelon 33271 插入除颤器电极 BCNA|MAPPO|HMO|PPO* Carelon 33272 移除除颤器电极 BCNA|MAPPO|HMO|PPO* Carelon 33273 重新定位除颤器电极 BCNA|MAPPO|HMO|PPO* Carelon
海上运营技术网络安全的多代理强化学习
摘要本文展示了将自主网络防御应用于工业控制系统上的潜力，并提供了一个基线环境，以进一步探索多代理强化学习（MARL）对此问题领域的应用。它引入了通用集成平台管理系统（IPMS）的模拟环境，IPMSRL，并探讨了MARL对基于通用海事的IPMS Operational Technology（OT）的自动网络防御决策的使用。网络防御行动不如企业对IT的成熟。 这是由于OT基础架构的相对“脆性”性质源于使用传统系统，设计时间工程假设以及缺乏全面的现代安全控制。 ，由于不断增加网络攻击的复杂性以及传统以IT中心的网络防御解决方案的局限性，在网络景观中有许多障碍。 传统的IT控件很少在OT基础架构上部署，并且在它们的位置，某些威胁尚未完全解决。 在我们的实验中，多代理近端策略优化（MAPPO）的共享评论家实施优于独立近端策略优化（IPPO）。 Mappo达到了800K时间段之后的最佳政策（情节结果平均值），而IPPO只能达到一百万个时间段的情节结果平均值为0.966。 超参数调整大大改善了训练性能。网络防御行动不如企业对IT的成熟。这是由于OT基础架构的相对“脆性”性质源于使用传统系统，设计时间工程假设以及缺乏全面的现代安全控制。，由于不断增加网络攻击的复杂性以及传统以IT中心的网络防御解决方案的局限性，在网络景观中有许多障碍。传统的IT控件很少在OT基础架构上部署，并且在它们的位置，某些威胁尚未完全解决。在我们的实验中，多代理近端策略优化（MAPPO）的共享评论家实施优于独立近端策略优化（IPPO）。Mappo达到了800K时间段之后的最佳政策（情节结果平均值），而IPPO只能达到一百万个时间段的情节结果平均值为0.966。超参数调整大大改善了训练性能。在一百万个时间段中，调整后的超参数达到了最佳策略，而默认的超参数只能偶尔赢得胜利，大多数模拟导致抽签。我们测试了现实世界中的约束，攻击检测警报成功，并发现当警报成功概率降低到0.75或0.9时，MARL Defenders仍然能够分别在97.5％或99.5％的情节中获胜。
在合作多机构强化学习中分散执行的集中式培训简介
4个集中批评方法16 4.1预赛。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。17 4.2基本的集中评论家方法。。。。。。。。。。。。。。。。。。。。。。。。。。17 4.3 Maddpg。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。20 4.4昏迷。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。21 4.5 Mappo。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。21 4.6基于州的批评家。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。23 4.7选择不同类型的分散和集中批评家。。。。。。。。。。24 4.8结合策略梯度和价值分解的方法。。。。。。。。。。。。25 4.9其他集中批评方法。。。。。。。。。。。。。。。。。。。。。。。。。。。25
一种基于增强学习的差异化奖励方法，基于多车辆合作决策算法
摘要 - 增强学习（RL）在通过州行动 - 奖励反馈循环中优化多车合作驾驶策略的巨大潜力，但它仍然面临着诸如低样本效率之类的挑战。本文提出了一种基于稳态过渡系统的差异奖励方法，该方法通过分析交通流量特征将国家过渡梯度信息纳入奖励设计中，旨在优化多车辆合作决策中的行动选择和政策学习。在不同的自动驾驶汽车渗透率下，在RL算法（例如Mappo，MADQN和QMIX）中验证了所提出的方法的性能。结果表明，在交通效率，安全性和行动合理性方面，差异化奖励方法显着加速了培训的融合，并优于核心奖励和其他方面的奖励。此外，该方法表现出强大的可扩展性和环境适应性，为在复杂的交通情况下制定多机构合作决策提供了一种新颖的方法。