(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111294941.7 (22)申请日 2021.11.03 (71)申请人 西南大学 地址 400715 重庆市北碚区天生 丽街2号 (72)发明人 何立蜓　 (74)专利代理 机构 北京盛凡佳华专利代理事务 所(普通合伙) 11947 代理人 胡红涛 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) G06N 20/20(2019.01) G06N 5/00(2006.01) G06N 7/02(2006.01) G06N 5/04(2006.01)G06N 3/00(2006.01) (54)发明名称 一种基于AHP的广义机 器学习评价体系 (57)摘要 本发明公开一种基于AHP的广义机器学习评 价体系， 本技术方案建立的模型与评价指标经证 明适用于定量评价更多的羊逃逸机器学习方法， 模型通用性强、 推广性高， 本技术方案建立的模 型羊犬运动博弈问题的分析不仅使得问题在一 定程度上得到解决， 并且为改进模糊森林模型、 建立更合理的评价体系提供了参考经验， 本技术 方案建立的模型对于数据的分布、 样本量、 以及 指标无严格的限制， 既适应于小样本资料， 也对 较大单元的大系统由良好的适应性、 契合性， 本 模型的可靠性高、 可操作性强， 所采用的研究方 法移植性强， 本评价体系对于定量评价更多的羊 逃逸机器学习方法有突出作用。 权利要求书1页 说明书14页 附图4页 CN 114021647 A 2022.02.08 CN 114021647 A 1.一种基于AHP的广义机器学习评价体系， 其特征在于： 机器人学习评价体系由以下内 容构成： 一、 对犬的运动进行分析， 并且通过与羊运动路线的对比， 分别建立微分方程进行求 解； 二、 结合犬的最优运动条件和羊犬的运动过程， 求解在 极限情况下羊出逃的概率， 即确 定羊在犬最优策略下的胜出 条件； 三、 给出一种机器学习的方法对羊进行 逃逸训练， 使得羊通过 学习训练后实现逃逸； 四、 通过对机器学习方法的分析， 定量衡量该 方法的可 行性并给 出其学习能力的评价； 五、 使用相同的评价方法对其 他模型进行合理分析和评估。 2.根据权利要求1所述的一种基于AHP的广义机器学习评价体系， 其特征在于： 对犬的 运动进行分析， 并且通过与羊运动路线的对比， 分别建立微分方程进行求解， 首先， 将犬看 作定圆的匀速圆周运动， 将羊看作远离圆心的匀速圆周运动； 其次， 通过分析羊犬的速度与 场地半径之间的关系， 采用微分方程法， 分别建立犬的圆周运动微分方程以及羊的随机运 动微分方程， 通过羊全的运动范围确定犬的最优围堵方案， 因此， 该阶段以最小羊犬间距离 为目标， 进行建模求 解。 3.根据权利要求1所述的一种基于AHP的广义机器学习评价体系， 其特征在于： 在求解 犬的最优运动条件和羊犬的运动过程中， 求解在极限情况下羊出逃 的概率， 即确定羊在犬 最优策略下的胜出条件， 我们可以得出羊犬间的最小距离 即是犬的最优围堵策略。 但是， 此 方法为局部最优， 即羊在极限条件下仍有逃脱的概率。 所以， 之后重点利用大数定理， 对模 型进行多次测试和记录， 最终得 出羊可以逃逸胜出的条件。 4.根据权利要求1所述的一种基于AHP的广义机器学习评价体系， 其特征在于： 给出一 种机器学习的方法对羊进 行逃逸训练， 使 得羊通过学习训练后实现逃逸。 首先， 结合 羊的运 动轨迹分析和犬对羊的 限制条件可知， 随机森林算法较为适用。 其次， 我们利用RF算法的随 机性和易于归纳的特点， 以羊和犬的运动轨迹坐标、 速率、 突破点位置坐标、 圆的半径R作为 数据集， 建立基于此算法的CART决策树， 并对羊的路线进行分析。 使用Python进行求解， 最 终得到羊通过训练后实现逃逸的概 率。 5.根据权利要求1所述的一种基于AHP的广义机器学习评价体系， 其特征在于： 通过对 机器学习方法的分析， 定量衡量方法的可行性并给出其学习能力的评价， 在对羊逃逸学习 的随机森林模型进行分析时， 我们选取羊的运动轨迹、 犬的限制以及从随机森林模型中的 部分数据进 行定量评 分赋值， 提出采用基于模糊综合评价的层次分析(AHP)法进 行改进， 提 出了AHP广义评价体系分析不同影响因素对结果的干扰情况， 进而生成的判断矩阵得到不 同影响因素的权 重， 最后通过Pytho n分析影响因素自身的得分得到最终的评价。 6.根据权利要求1所述的一种基于AHP的广义机器学习评价体系， 其特征在于： 使用相 同的评价方法对其他模型进行合理分析和评估， 在结合建立的模糊综合评价模型进行评价 后， 通过最优化模型对羊犬博弈问题进行分析， 得到适用于不同的机器学习方法定量评价 的评价指标， 即得 出适用于羊犬博 弈问题的普适 性评价指标。权　利　要　求　书 1/1 页 2 CN 114021647 A 2一种基于AHP的广义 机器学习评价体系 技术领域 [0001]本发明属于机器人学习相关技术领域， 具体涉及一种基于AHP的广义机器学习评 价体系。 背景技术 [0002]近年来， 随着机器学习的发展， 机器学习要应用的场景越来越复杂， 许多博弈论的 中出现的场景被引入机器学习中来， 羊 ‑犬博弈问题就是其中之一。 博弈机器学习(Game   Machine Learning)将博弈论的思想引入机器学习中， 即以博弈论的思想对人的动态策略 进行显式建模， 利用行为模 型和决策模 型相结合的方式来解决这一类难题。 针对羊 ‑犬博弈 问题， 本技术方案提出了一种适用于解决羊犬问题的机器学习 方法及其适用的AHP广义评 价体系。 本技术方案应用微分方程法研究出了犬的最优围堵策略， 在极限条件下求解出羊 可以胜出的逃逸条件； 并且， 选取Gini指数作为选择最优的划分属性的准则来构建CART决 策树进行决策， 通过模糊 森林算法得出了羊通过学习训练后 实现逃逸的方法； 最后设计了 一套基于层次分析法的AHP广义机器学习评价体系。 [0003]羊‑犬博弈问题典型的双人的零和博弈。 该问题是指在半径为R的圆形圈中， 羊按 定常速率v进行逃出圆形圈运动， 犬按定常速率V按圆周运动进行围堵羊， 防止其逃逸。 并 且， 在该活动中羊具有任意转弯 能力而犬具有选择圆周的两个方向之一的能力。 在这个 问 题中， 羊和犬之 间的博弈可以看作两位玩家互相挑战， 第一个伪造样本以混淆另一个玩家， 而第二个创建者则试图在识别正确的样本方面变得越来越好， 并反复重复此游戏， 并在每 次迭代中更新学习参数， 以减少总损失。 总的来说， 该问题具有连续型问题的诸多特点。 发明内容 [0004]本发明的目的在于提供一种基于AHP的广义机器学习评价体系， 以解决上述背景 技术中提出的问题。 [0005]为实现上述目的， 本发明提供如下技 术方案： [0006]一种基于AHP的广义机器学习评价体系， 其特征在于： 机器人学习评价体系由以下 内容构成： [0007]一、 对犬的运动进行分析， 并且通过与羊运动路线的对比， 分别建立微分方程进行 求解； [0008]二、 犬的最优运动条件和羊犬的运动过程， 求解在极限情况下羊出逃的概率， 即确 定羊在犬最优策略下的胜出 条件； [0009]三、 给出一种机器学习的方法对羊进行逃逸训练， 使得羊通过学习训练后实现逃 逸； [0010]四、 通过对机器学习方法的分析， 定量衡量方法的可行性并给出其学习能力的评 价； [0011]五、 使用相同的评价方法对其 他模型进行合理分析和评估。说　明　书 1/14 页 3 CN 114021647 A 3