面向多无人机系统边界测试场景生成的具有负迁移缓解的多输出高斯过程回归

基于高斯过程回归（GPR）的自适应采样已在生成多无人机系统（MUS）边界测试场景中取得了相当大的成功。此类研究的关键技术之一是利用 GPR 在不同测试场景下对 MUS 性能进行准确预测。由于多个 MUS 性能指标之间可能存在相关性，当前研究通常利用多输出 GPR（MOGPR）同时对多个性能指标进行建模。与单独对每个指标建模相比，该方法能够实现更准确的预测。然而，MOGPR 仍存在负迁移问题。当一个输出变量的特征被另一个输出变量错误学习时，模型的训练过程将受到负面影响，导致预测性能下降。为解决该问题，本文提出了一种将新型自适应正则化方法引入传统 MOGPR 训练过程的方案。与现有的用于缓解 MOGPR 中负迁移的正则化方法不同，我们的方法使用自适应可调的正则化权重来惩罚特定输出特征参数之间的不一致性。该机制有助于每组输出参数避免局部最优，从而同时提升所有输出的预测准确性。最后，我们在一个数值算例和一个 MUS 多目标搜索任务的边界测试场景生成案例上验证了我们的方法。