CN105389735A - 一种基于spfa算法的多动机情感生成方法 - Google Patents
一种基于spfa算法的多动机情感生成方法 Download PDFInfo
- Publication number
- CN105389735A CN105389735A CN201510797386.8A CN201510797386A CN105389735A CN 105389735 A CN105389735 A CN 105389735A CN 201510797386 A CN201510797386 A CN 201510797386A CN 105389735 A CN105389735 A CN 105389735A
- Authority
- CN
- China
- Prior art keywords
- emotion
- individual
- relation
- target individual
- motivation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于SPFA算法的多动机情感生成方法,属于计算机技术领域。本方法首先采用多动机的情感构建方法,将人际关系的影响作为动机之一产生混合的情感,多种动机既相互抑制又能相互增强。在计算交互关系对个体情感影响的过程中采用改进的SPFA算法,能够计算负权值情况下的人际关系网络对个体所产生的影响。然后将人际关系所产生的动机细化为保持、修复和报复从而计算人际关系影响所产生的情感。最后将人际关系所产生的情感与个体原生的情感进行混合从而产生多动机下的混合情感。
Description
技术领域
本发明涉及一种基于SPFA算法的多动机情感生成方法,属于计算机领域。
背景技术
作为社会性的群体,人类个体是社交网络中的一个节点,个体受到交互关系的影响会形成对事物或其他个体特有的看法;或者是为了维持自己的社交网络掩盖自己对事物的原有看法。这样交互的人际关系网络形成了个体生成情感所需的动机。但是现有情感模型均意在生成一种原生性的情感而忽略了情感的社会性,这样导致情感虚拟人在交互的过程中缺少较高的智能性。
情感的生成问题是情感计算领域所要解决的问题之一。然而,构建多动机下的混合情感模型,对人际交互关系产生个体情感的动机予以计算,一直以来是本领域技术人员有待解决的技术问题。例如,从现有技术公开的文献来看,CN201410369468公开的“交互式游戏中智能模型”侧重用于在知识库中形成规则从而构建驱动玩家个体行动的情感。郭尚波发表的“个性化情感建模方法的研究”主要利用了维度空间,并融入个性因素,刘箴发表的“一种虚拟角色的情绪认知评价模型”构建了模糊推理,但仍无法解决交互关系对个体情感的影响问题;两者都是基于OCC模型的情感推理过程。向南关于“具有控制机制的虚拟交互情感仿真模型的研究”虽然能够解决交互关系对个体情感的影响但是算法效率不高,不适宜针对不友好关系的计算,此外对于人际关系间的影响是叠加的,没有相互抑制。另外,黄德恒发表的“一种适用于塑造非玩家控制游戏角色的情感建模方法”和“一种适用于塑造非玩家控制游戏角色的情感建模方法”构建了动机以驱动个体产生情感,但是前者模型简单无法适应复杂的交互条件下的情感生成,后者没有给出具体社会动机对个体影响的计算方法。因此,如何构建更加复杂、真实的情感模型是本领域技术人员需要解决的技术问题。
发明内容
针对现有技术存在的上述不足,本发明的目的是提供一种基于SPFA算法的多动机情感生成方法,以构建更加复杂、真实的情感模型。
实现上述目的,本发明采用如下技术方案:一种基于SPFA算法的多动机情感生成方法,其特征在于,包含以下步骤:
1)构建集成人际关系影响的双层情感生成网络:
(1)将目标个体对人际关系网络的反应看作一种动机从而产生在人际关系影响下的个体情感;
(2)第一层情感为外部事件或刺激直接与目标个体相关,目标个体有明确动机的条件下所产生的情感,即目标个体的原生情感,该情感由评价得到;
(3)第二层情感为在人际关系影响下目标个体所产生的以维持、修复、报复人际关系为动机所产生的间接情感,该情感也通过评价得到;
所述情感评价包括:
①采用六个基本情感分量表示目标个体VH的情感状态,分别为:高兴Joy(VH)、伤心Sad(VH)、愤怒Anger(VH)、厌恶Disgust(VH)、吃惊Surprise(VH)与恐惧Fear(VH),取值为[0,e];
②设定目标个体的个性P为内向或者外向,取值为[-1,1];
③desirability表示对事件发生的期望程度,undesirability则相反;
④likelihood_fail表示某事件失败的可能性,Δlikelihood_fail=1-likelihood_fail,与其相对应的是likelihood_success;
⑤ΔHappy为厌恶对象的高兴值。
2)构建人际关系网络,计算网络中个体对目标个体影响R:
(1)用节点代表个体,有向加权边代表个体之间的关系取值为[-5,5]之间,这样形成人际关系网络图G;其中,人际关系网络包含以下子类型:Y型网络、链式网络、星型网络和环形网络;
(2)将个体对目标个体影响R的计算转化为利用改进的SPFA算法对最短路径的计算;
本发明虚拟人之间的交互关系由一个有向图G={V(G),E(G),φ}来表示;其中顶点V(G)={v 1 ,...v n }表示虚拟个体,虚拟人之间的友好程度用有向边E(G)={e i |i=1,,...n}来表示,e i =v m v n ,v m ∈V(G)∧v n ∈V(G)∧m≠n,φ为关联函数;这样每个交互关系受到当事人的最大影响等价于求人机关系图中当事人起点到各个顶点的最小距离;由此根据SFPA算法,系统构建人机关系影响算法。
①对每个节点v的最短路径进行估计并记录在数组array中;②采取动态逼近的方法设立一个先进先出的队列用来保存待优化的结点v op ,③取出队首结点v u,并且用v u点当前的最短路径估计值对离开v u点所指向的结点v v进行松弛操作,④如果v v点的最短路径估计值有所调整,且v v点不在当前的队列中,就将v v点放入队尾。不断重复步骤③和④,直至队列空为止。
3)计算人际关系影响下的目标个体的混合情感:
(1)通过对事件进行评价,从而产生目标个体的原生情感;
(2)细化目标个体对事件当事人的在人际关系影响下的动机,从而确定目标个体的期望,然后通过评价产生目标个体在人际关系影响下的情感;
①根据步骤2)计算个体对目标个体影响R的结果,确定事件主体与目标个体之间的关系;②如果R>δ>0,其中δ为设定参数,目标个体与事件主体关系友好,则设定个体以维护友好关系为动机,即目标个体期望事件主体高兴;
③如果δ>R>-δ,表示目标个体与事件主体关系一般,动机不强烈;
④如果-δ>R>-γ,表示目标个体与事件主体关系僵硬,目标个体既存在修复关系的动机又存在保持敌对关系的动机,因此系统根据目标个体个性P确定其期望;
⑤如果-γ>R,则表示目标个体与事件主体为敌对关系,这样目标主体的期望为报复事件主体。
(3)将两种情感进行混合形成多动机下的混合情感,包含以下方法:
Emix=(μ+P)⊙E’mix,其中P=(u,v),u,v分别表示个体内向及外向的程度;E’mix=(ER+EO),ER与EO分别表示人际关系所产生的情感与个体的原生情感;
A、根据目标个体的个性P确定两种情感的权值,个体越外向则其原生情感的权值越大,反之人际关系所产生情感权值越大,但也有一定例外因此加入扰动因子μ;
B、当原生情感分量与人际关系情感分量均小于设定阈值α时,表示两种情感相差不大,对两种情感进行加权和得到最终的混合情感;
C、当原生情感的某个或多个分量与人际关系情感相对应的分量差值大于α时,表示目标个体的动机异常激烈,则对其它动机进行抑制,只产生该动机下的情感。
相比现有技术,本发明具有如下有益效果:
本发明用于模拟仿真、虚拟游戏等领域,能够快速、真实地模拟人群之间的关系。
首先,采用多动机的情感构建方法,将人际关系的影响作为动机之一产生混合的情感,多种动机既相互抑制又能相互增强,在计算交互关系对个体情感影响的过程中采用改进的SPFA算法,能够计算负权值情况下的人际关系网络对个体所产生的影响;然后,将人际关系所产生的动机细化为保持、修复和报复从而计算人际关系影响所产生的情感;最后,将人际关系所产生的情感与个体原生的情感进行混合从而产生多动机下的混合情感。此外,还对个体的原生动机予以考虑,从而构建更加复杂真实的情感模型。
具体实施方式
下面结合具体实施例对本发明作进一步详细说明。
一种基于SPFA算法的多动机情感生成方法,包含以下步骤:
1)构建集成人际关系影响的双层情感生成网络:
(1)将目标个体对人际关系网络的反应看作一种动机从而产生在人际关系影响下的个体情感;
(2)第一层情感为外部事件或刺激直接与目标个体相关,目标个体有明确动机的条件下所产生的情感,即目标个体的原生情感,该情感由评价得到;
(3)第二层情感为在人际关系影响下目标个体所产生的以维持、修复、报复人际关系为动机所产生的间接情感,该情感也通过评价得到;
其中,所述情感评价的参数如下:
①采用六个基本情感分量表示目标个体VH的情感状态,分别为:高兴Joy(VH)、伤心Sad(VH)、愤怒Anger(VH)、厌恶Disgust(VH)、吃惊Surprise(VH)与恐惧Fear(VH),取值为[0,e];
表1情感评价公式:
情感 | 强度 (I) |
Anger | Sad×Disgust |
Fear | undesirability×likelihood_fail |
Sadness | undesirability×Δlikelihood_fail |
Happy | desirability×Δlikelihood_succeed |
Disgust | undesirability×ΔHappy |
Surprise | Δlikelihood_succeedorΔlikelihood_fail |
②设定目标个体的个性P为内向或者外向,取值为[-1,1];
③desirability表示对事件发生的期望程度,undesirability则相反;
④likelihood_fail表示某事件失败的可能性,Δlikelihood_fail=1-likelihood_fail,与其相对应的是likelihood_success;
⑤ΔHappy为厌恶对象的高兴值。
2)构建人际关系网络,计算网络中个体对目标个体影响R:
(1)用节点代表个体,有向加权边代表个体之间的关系取值为[-5,5]之间,这样形成人际关系网络图G;由于计算人际网络对个体的影响因此不存在负权回路问题;其中,人际关系网络包含以下子类型:Y型网络、链式网络、星型网络和环形网络;
(2)将个体对目标个体影响R的计算计算转化为利用改进的SPFA算法对最短路径的计算;
本发明虚拟人之间的交互关系由一个有向图G={V(G),E(G),φ}来表示;其中顶点V(G)={v 1 ,...v n }表示虚拟个体,虚拟人之间的友好程度用有向边E(G)={e i |i=1,,...n}来表示,e i =v m v n ,v m ∈V(G)∧v n ∈V(G)∧m≠n,φ为关联函数;这样每个交互关系受到当事人的最大影响等价于求人机关系图中当事人起点到各个顶点的最小距离;由此根据SFPA算法,系统构建人机关系影响算法。
①对每个节点v的最短路径进行估计并记录在数组array中;②采取动态逼近的方法设立一个先进先出的队列用来保存待优化的结点v op ,③取出队首结点v u,并且用v u点当前的最短路径估计值对离开v u点所指向的结点v v进行松弛操作,④如果v v点的最短路径估计值有所调整,且v v点不在当前的队列中,就将v v点放入队尾。不断重复步骤③和④,直至队列空为止。
3)计算人际关系影响下的目标个体的混合情感:
(1)通过对事件进行评价,从而产生目标个体的原生情感;
(2)细化目标个体对事件当事人的在人际关系影响下的动机,从而确定目标个体的期望,然后通过评价产生目标个体在人际关系影响下的情感;
①根据步骤2)的计算结果R,确定事件主体与目标个体之间的关系;
②如果R>δ>0,其中δ为设定参数,目标个体与事件主体关系友好,则设定个体以维护友好关系为动机,即目标个体期望事件主体高兴;
③如果δ>R>-δ,表示目标个体与事件主体关系一般,动机不强烈;
④如果-δ>R>-γ,表示目标个体与事件主体关系僵硬,目标个体既存在修复关系的动机又存在保持敌对关系的动机,因此系统根据目标个体个性P确定其期望;
⑤如果-γ>R,则表示目标个体与事件主体为敌对关系,这样目标主体的期望为报复事件主体。
(3)将两种情感进行混合形成多动机下的混合情感,包含以下方法:
Emix=(μ+P)⊙E’mix,其中P=(u,v),u,v分别表示个体内向及外向的程度。E’mix=(ER+EO),ER与EO分别表示人际关系所产生的情感与个体的原生情感;
A、根据目标个体的个性P确定两种情感的权值,个体越外向则其原生情感的权值越大,反之人际关系所产生情感权值越大,但也有一定例外因此加入扰动因子μ;
B、当原生情感分量与人际关系情感分量均小于设定阈值α时,表示两种情感相差不大,对两种情感进行加权和得到最终的混合情感。
C、当原生情感的某个或多个分量与人际关系情感相对应的分量差值大于α时,表示目标个体的动机异常激烈,则对其它动机进行抑制,只产生该动机下的情感。
本发明的创新在于:
1、构建人际关系网络图,用节点代表个体,有向加权边代表个体之间的关系。将个体之间关系的计算转化为利用改进的SPFA算法求解最短路径。和基于Djikstra算法的方法相比能够同时计算出友好及非友好人际关系的影响,人际网络更加复杂。
2、根据个体之间的人际关系,将个体的交互动机确定为保持、修复和报复三个类型之一,即确定个体的期望。然后利用评价模型确定在该期望下个体产生的情感。
3、将人际关系的影响作为动机之一,而非情感控制部分,与原有动机一起产生混合情感,即将动机所产生的六种基本情感分量对应求和。两种动机之间可相互抑制或增强,情感生成模型更真实。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种基于SPFA算法的多动机情感生成方法,其特征在于,包含以下步骤:
1)构建集成人际关系影响的双层情感生成网络:
(1)将目标个体对人际关系网络的反应看作一种动机从而产生在人际关系影响下的个体情感;
(2)第一层情感为外部事件或刺激直接与目标个体相关,目标个体有明确动机的条件下所产生的情感,即目标个体的原生情感,该情感由评价得到;
(3)第二层情感为在人际关系影响下目标个体所产生的以维持、修复、报复人际关系为动机所产生的间接情感,该情感也通过评价得到;
所述情感评价包括:
①采用六个基本情感分量表示目标个体VH的情感状态,分别为:高兴Joy(VH)、伤心Sad(VH)、愤怒Anger(VH)、厌恶Disgust(VH)、吃惊Surprise(VH)与恐惧Fear(VH),取值为[0,e];
②设定目标个体的个性P为内向或者外向,取值为[-1,1];
③desirability表示对事件发生的期望程度,undesirability则相反;
④likelihood_fail表示某事件失败的可能性,Δlikelihood_fail=1-likelihood_fail,与其相对应的是likelihood_success;
⑤ΔHappy为厌恶对象的高兴值;
2)构建人际关系网络,计算网络中个体对目标个体影响R:
(1)用节点代表个体,有向加权边代表个体之间的关系取值为[-5,5]之间,这样形成人际关系网络图G;其中,人际关系网络包含以下子类型:Y型网络、链式网络、星型网络和环形网络;
(2)将个体对目标个体影响R的计算转化为利用改进的SPFA算法对最短路径的计算;
本发明虚拟人之间的交互关系由一个有向图G={V(G),E(G),φ}来表示;其中顶点V(G)={v 1 ,...v n }表示虚拟个体,虚拟人之间的友好程度用有向边E(G)={e i |i=1,,...n}来表示,e i =v m v n ,v m ∈V(G)∧v n ∈V(G)∧m≠n,φ为关联函数;这样每个交互关系受到当事人的最大影响等价于求人机关系图中当事人起点到各个顶点的最小距离;由此根据SFPA算法,系统构建人机关系影响算法;
①对每个节点v的最短路径进行估计并记录在数组array中;②采取动态逼近的方法设立一个先进先出的队列用来保存待优化的结点v op ,③取出队首结点v u,并且用v u点当前的最短路径估计值对离开v u点所指向的结点v v进行松弛操作,④如果v v点的最短路径估计值有所调整,且v v点不在当前的队列中,就将v v点放入队尾;不断重复步骤③和④,直至队列空为止;
3)计算人际关系影响下的目标个体的混合情感:
(1)通过对事件进行评价,从而产生目标个体的原生情感;
(2)细化目标个体对事件当事人的在人际关系影响下的动机,从而确定目标个体的期望,然后通过评价产生目标个体在人际关系影响下的情感;
(3)将两种情感进行混合形成多动机下的混合情感,包含以下方法:
Emix=(μ+P)⊙E’mix,其中P=(u,v),u,v分别表示个体内向及外向的程度;E’mix=(ER+EO),ER与EO分别表示人际关系所产生的情感与个体的原生情感。
2.根据权利要求1所述基于SPFA算法的多动机情感生成方法,其特征在于,①根据步骤2)计算个体对目标个体影响R的结果,确定事件主体与目标个体之间的关系;②如果R>δ>0,其中δ为设定参数,目标个体与事件主体关系友好,则设定个体以维护友好关系为动机,即目标个体期望事件主体高兴;
③如果δ>R>-δ,表示目标个体与事件主体关系一般,动机不强烈;
④如果-δ>R>-γ,表示目标个体与事件主体关系僵硬,目标个体既存在修复关系的动机又存在保持敌对关系的动机,因此系统根据目标个体个性P确定其期望;
⑤如果-γ>R,则表示目标个体与事件主体为敌对关系,这样目标主体的期望为报复事件主体。
3.根据权利要求1所述基于SPFA算法的多动机情感生成方法,其特征在于,步骤3)将两种情感进行混合形成多动机下的混合情感,Emix=(μ+P)⊙E’mix,其中P=(u,v),u,v分别表示个体内向及外向的程度;
A、根据目标个体的个性P确定两种情感的权值,个体越外向则其原生情感的权值越大,反之人际关系所产生情感权值越大,但也有一定例外因此加入扰动因子μ;
B、当原生情感分量与人际关系情感分量均小于设定阈值α时,表示两种情感相差不大,对两种情感进行加权和得到最终的混合情感;
C、当原生情感的某个或多个分量与人际关系情感相对应的分量差值大于α时,表示目标个体的动机异常激烈,则对其它动机进行抑制,只产生该动机下的情感。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510797386.8A CN105389735B (zh) | 2015-11-18 | 2015-11-18 | 一种基于spfa算法的多动机情感生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510797386.8A CN105389735B (zh) | 2015-11-18 | 2015-11-18 | 一种基于spfa算法的多动机情感生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105389735A true CN105389735A (zh) | 2016-03-09 |
CN105389735B CN105389735B (zh) | 2021-05-18 |
Family
ID=55421991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510797386.8A Active CN105389735B (zh) | 2015-11-18 | 2015-11-18 | 一种基于spfa算法的多动机情感生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105389735B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563138A (zh) * | 2018-07-04 | 2018-09-21 | 深圳万发创新进出口贸易有限公司 | 一种智能家居系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1396857A (zh) * | 2000-10-13 | 2003-02-12 | 索尼公司 | 机器人装置及其行为控制方法 |
CN1455916A (zh) * | 2000-09-13 | 2003-11-12 | 株式会社A·G·I | 情绪探测方法,感受能力生成方法及其系统与执行软件 |
CN101241561A (zh) * | 2007-02-08 | 2008-08-13 | 三星电子株式会社 | 表现软件机器人的行为的设备和方法 |
CN101661569A (zh) * | 2009-09-18 | 2010-03-03 | 北京科技大学 | 一种智能情感机器人多模态行为关联表达系统 |
CN102076387A (zh) * | 2008-04-29 | 2011-05-25 | 百利游戏有限公司 | 用于诸如电子游戏机(egm)的游戏装置的生物反馈 |
US20110131165A1 (en) * | 2009-12-02 | 2011-06-02 | Phison Electronics Corp. | Emotion engine, emotion engine system and electronic device control method |
CN102103707A (zh) * | 2009-12-16 | 2011-06-22 | 群联电子股份有限公司 | 情感引擎、情感引擎系统及电子装置的控制方法 |
CN102394919A (zh) * | 2011-10-20 | 2012-03-28 | 福州瑞芯微电子有限公司 | 基于生理检测的心情交互网络平台系统 |
CN104102522A (zh) * | 2014-07-30 | 2014-10-15 | 厦门大学 | 交互式游戏中智能非玩家角色的人工情感驱动方法 |
US20150032847A1 (en) * | 2010-10-21 | 2015-01-29 | Bart P.E. van Coppenolle | Method and apparatus for distributed upload of content |
-
2015
- 2015-11-18 CN CN201510797386.8A patent/CN105389735B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1455916A (zh) * | 2000-09-13 | 2003-11-12 | 株式会社A·G·I | 情绪探测方法,感受能力生成方法及其系统与执行软件 |
CN1396857A (zh) * | 2000-10-13 | 2003-02-12 | 索尼公司 | 机器人装置及其行为控制方法 |
CN101241561A (zh) * | 2007-02-08 | 2008-08-13 | 三星电子株式会社 | 表现软件机器人的行为的设备和方法 |
CN102076387A (zh) * | 2008-04-29 | 2011-05-25 | 百利游戏有限公司 | 用于诸如电子游戏机(egm)的游戏装置的生物反馈 |
CN101661569A (zh) * | 2009-09-18 | 2010-03-03 | 北京科技大学 | 一种智能情感机器人多模态行为关联表达系统 |
US20110131165A1 (en) * | 2009-12-02 | 2011-06-02 | Phison Electronics Corp. | Emotion engine, emotion engine system and electronic device control method |
CN102103707A (zh) * | 2009-12-16 | 2011-06-22 | 群联电子股份有限公司 | 情感引擎、情感引擎系统及电子装置的控制方法 |
US20150032847A1 (en) * | 2010-10-21 | 2015-01-29 | Bart P.E. van Coppenolle | Method and apparatus for distributed upload of content |
CN102394919A (zh) * | 2011-10-20 | 2012-03-28 | 福州瑞芯微电子有限公司 | 基于生理检测的心情交互网络平台系统 |
CN104102522A (zh) * | 2014-07-30 | 2014-10-15 | 厦门大学 | 交互式游戏中智能非玩家角色的人工情感驱动方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563138A (zh) * | 2018-07-04 | 2018-09-21 | 深圳万发创新进出口贸易有限公司 | 一种智能家居系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105389735B (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shahinzadeh et al. | Applications of Particle Swarm Optimization Algorithm to Solving the Economic Load Dispatch of Units in Power Systems with Valve-Point Effects. | |
Von Der Osten et al. | The Minds of Many: Opponent Modeling in a Stochastic Game. | |
Liapis et al. | Sentient World: Human-Based Procedural Cartography: An Experiment in Interactive Sketching and Iterative Refining | |
Liu | Relationship between industrial firms, high-carbon and low-carbon energy: An agent-based simulation approach | |
CN110163540A (zh) | 电力系统暂态稳定预防控制方法及系统 | |
CN105389735A (zh) | 一种基于spfa算法的多动机情感生成方法 | |
Liu et al. | Multi-agent quantum-inspired deep reinforcement learning for real-time distributed generation control of 100% renewable energy systems | |
CN110363399A (zh) | 一种混合深度对抗网络滚动强化学习博弈策略 | |
Han et al. | " Guinea Pig Trials" Utilizing GPT: A Novel Smart Agent-Based Modeling Approach for Studying Firm Competition and Collusion | |
Kraner et al. | Procedural content generation of custom tower defense game using genetic algorithms | |
Yu et al. | Evolutionary analysis on online social networks using a social evolutionary game | |
Cheng et al. | An autonomous inter-task mapping learning method via artificial neural network for transfer learning | |
Puentes et al. | A two-tiered grammatical approach for agent-based computational design | |
Sun et al. | Evaluations of heuristic algorithms for teamwork-enhanced task allocation in mobile cloud-based learning | |
Wang et al. | An alliance generation algorithm based on modified particle swarm optimization for multiple emotional robots pursuit-evader problem | |
Shi et al. | A fuzzy rules-based approach to analyzing human behavior models | |
Yang | A novel wind power capacity combined forecasting method based on backtracking search algorithm | |
He et al. | A combined position evaluation function in Chinese chess computer game | |
Namdari et al. | Non-smooth economic dispatch solution by using enhanced bat-inspired optimization algorithm | |
CN101877076A (zh) | 非线性模糊逻辑决策算法 | |
Bai | Leveraging Gamification Strategies for Enhanced Environmental Education: An Exploration into Design, Technology, and Learning Outcomes | |
Qiao et al. | Fuzzy Logic Model of Surprise. | |
Niloy et al. | Application of Binary Slime Mould Optimization Algorithm for solving Unit Commitment Problem | |
Qinghua et al. | Stochastic evolutionary game analysis of food cooperation among countries along the Belt and Road from the perspective of food security | |
Al-Tirawi et al. | Using Cultural Algorithms with Common Value Auctions to Provide Sustainability in Complex Dynamic Environments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |