基于蒙特卡洛树搜索与策略网络的多功能认知雷达任务调度
人工智能
2018-05-21 v1
摘要
现代雷达可被设计用于执行多种功能，如监视、跟踪与火控。每种功能都要求雷达执行若干收发任务。雷达资源管理（RRM）模块负责对此类任务进行参数选择、优先级排序与调度决策。在过载情形下，部分任务可能需被延迟甚至丢弃，RRM 因而极具挑战性。一般而言，任务调度是一个 NP-hard 问题。本工作中，我们开发了分支定界（B&B）方法，其可获得最优解，但计算复杂度为指数级。另一方面，启发式方法复杂度低，但性能相对较差。我们借助基于机器学习的技术来解决该问题；具体地，我们提出了一种基于蒙特卡洛树搜索方法的近似算法。在利用边界与支配规则从搜索树中剔除节点的同时，我们使用策略网络来帮助缩减搜索宽度。此类网络可通过在复杂度可行的问题上离线运行 B&B 方法所得的解进行训练。我们表明，所提方法提供了近最优性能，而计算复杂度比 B&B 算法低数个数量级。
引用
@article{arxiv.1805.07069,
title = {Multifunction Cognitive Radar Task Scheduling Using Monte Carlo Tree Search and Policy Networks},
author = {Mahdi Shaghaghi and Raviraj S. Adve and Zhen Ding},
journal= {arXiv preprint arXiv:1805.07069},
year = {2018}
}