在运行时形成集成体：一种机器学习方法
机器学习
2021-05-03 v1
摘要
构建于信息物理与社会技术系统之上的智能系统应用（SSAs）日益由可自主工作且相互协作的组件构成。协作机器人、车队与无人机群、应急协调系统都是SSAs的例子。实现SSAs协作的一种途径是在运行时于组件间形成动态协作组——集成体（ensembles）。集成体可基于预定义规则形成，这些规则根据组件当前状态和环境状态决定哪些组件应成为一个集成体的一部分（例如，“将靠近障碍物的3个机器人分组，其电量充足且不会在另一集成体中得到更好利用”）。这是一个计算困难的问题，因为在运行时所有组件都是所有可能集成体的潜在成员。根据过去几年在多个案例研究中运用集成体的经验，使用约束规划来决定应形成哪些集成体，对于超过有限数量的组件和集成体无法扩展。而且，以硬/软约束的严格表述不易通过学习实现运行时自适应。这对大规模且部分不确定的SSAs中集成体的使用造成了严重限制。为应对该问题，本文提议将集成体形成问题重新表述为分类问题，并利用机器学习高效大规模地形成集成体。
引用
@article{arxiv.2104.14848,
title = {Forming Ensembles at Runtime: A Machine Learning Approach},
author = {Tomáš Bureš and Ilias Gerostathopoulos and Petr Hnětynka and Jan Pacovský},
journal= {arXiv preprint arXiv:2104.14848},
year = {2021}
}