MultiAgentPathFinding MultiAgentPathFinding存储库的目的是使用灵活的环境选项（例如度量标准类型和可能的移动方向）创建不同路径规划算法的实现。 该项目是在HSE计算机科学学院的第二年完成的。 在Linux和Mac上构建 您可以选择“调试”或“发布”版本。 cd MultiAgentPathFinding/Build/Release cmake ../../ -DCMAKE_BUILD_TYPE= " Release " make make install 运行使用： cd ../../Bin/{Debug | Release}/ Dmitriy_

【ICML2021】基于稀疏标签编码的多维分类 在多维分类中，输出空间中存在多个类变量，每个类变量对应一个异构类空间。由于类空间的异质性，在从MDC示例中学习时，考虑类变量之间的依赖关系非常具有挑战性。本文提出了一种新的多目标预测方法，即SLEM方法，它在编码的标签空间中学习预测模型，而不是在异构的标签空间中学习预测模型。具体来说，SLEM在编码-训练-解码框架中工作。在编码阶段，通过成对分组、一次热转换和稀疏线性编码三种级联操作，将每个类向量映射为实值向量。在训练阶段，在编码标签空间内学习多输出回归模型。在解码阶段，通过对学习的多输出回归模型的输出进行正交匹配追踪，得到预测的类向量。实验结果清楚地验证了SLEM相对于最先进的MDC方法的优越性。

python中的多代理路径规划 介绍 该存储库由Python中一些多主体路径规划算法的实现组成。 当前实现了以下算法： 依存关系 通过运行安装必要的依赖项。 pip3 install -r requirements.txt 集中式解决方案 在这些方法中，中央计划者有责任向机器人提供计划。 优先的安全间隔路径规划 SIPP是一个本地计划者，在考虑环境中的静态和动态障碍后，可以使用该计划生成无冲突的计划。 在多主体路径规划的情况下，环境中的其他主体被视为动态障碍。 执行 对于SIPP多主体优先级计划，请运行： cd ./centralized/sipp python3 multi_sipp.py input.yaml output.yaml 结果 可视化生成的结果 python3 visualize_sipp.py input.yaml output.yaml 录制视频 python3 v

多体动力学 机器人运动学 作者 Abhinandan Jain 语言 英文

利用统计复杂度测度（SCM）和谱熵（SE）算法研究了基于改进的Chen系统和多段二次函数的多机翼混沌系统的复杂度。 讨论了如何选择SCM和SE算法的参数。 结果表明，多机翼混沌系统的复杂度不会随着机翼数量的增加而增加，这与格拉斯伯格-普罗卡契（GP）算法和多机翼最大Lyapunov指数（LLE）的结果一致。翼混沌系统。

想用的朋友请先看说明，特别要注意输入安全，不要把电脑声卡搞坏了来骂我哦。

多候选马尔可夫轨迹预测 功能 导入csv数据并计算马尔可夫矩阵 根据给定历史序列给出预测 每个点的预测都能给出多个候选值 历史轨迹长度、预测轨迹长度和候选值数量均可调整 使用 初始化 markov = Markov(his_count=1, pre_count=3, test_count=3, tol=3) his_count为历史轨迹长度 pre_count为预测轨迹长度 test_count为csv文件中每一行数据需要留作测试集的长度（取最后test_count数量的点作测试集） tol为候选值数量 读入csv文件 markov.read_csv('trajectory100000.csv') 使用csv文件数据进行测试 acc = markov.test_csv('trajectory100000.csv') 导出预测序列 markov.write_pre('trajectory10

MMSA 多模态情感分析中代码的 Pytorch 实现。 注意：我们强烈建议您首先浏览我们代码的整体结构。 如果您有任何疑问，请随时与我们联系。 支持模型 在这个框架中，我们支持以下方法： 类型 型号名称 从 单任务 单任务 —— 单任务 单任务 单任务 单任务 单任务 （无 CTC） 单任务 米萨 米萨 多任务 MLF_DNN MMSA 多任务 MTFN MMSA 多任务 MLMF MMSA 多任务 自我_MM 自我MM 结果 详细结果见results/result-stat.md 用法 克隆代码 克隆这个 repo 并安装需求。 git clone https://github.com/thuiar/MMSA cd MMSA pip install -r requirements.txt 数据集和预训练的 berts 从以下链接下载数据集特征和

公用池资源系统中的深度多主体强化学习 中的论文中的实验源代码。 该论文已被接受并发表在IEEE CEC 2019上。 介绍 在复杂的社会生态系统中，具有不同目标的多个代理机构采取的行动会影响系统的长期动态。 共同资产池是此类系统的子集，在这些系统中，财产权通常定义不清，先验性未知，因此造成了社会困境，这是众所周知的公地悲剧反映出来的。 在本文中，我们研究了在公共资源池系统的多主体设置中进行深度强化学习的功效。 我们使用了系统的抽象数学模型，表示为部分可观察到的一般和马尔可夫博弈。 在第一组实验中，独立主体使用具有离散动作空间的深度Q网络来指导决策。 但是，明显的缺点是显而易见的。 因此，在第二组实验中，具有连续状态和动作空间的深度确定性策略梯度学习模型指导了主体学习。 仿真结果表明，使用第二种深度学习模型时，代理商在可持续性和经济目标方面的表现均明显更好。 尽管代理商没有完全的预见力或对他

自适应遗传算法和粒子群算法的混合算法（多目标优化）