一种结构感知双网络协同智能规划方法及装置

本发明涉及约束优化，具体涉及一种结构感知双网络协同智能规划方法及装置。

背景技术：

1、在工业领域如资源调度、电力系统优化和智能控制等场景中，约束优化问题至关重要。传统数值方法效率有限，而神经网络技术面临约束满足和解精度之间的内在权衡。现有方法存在两大关键挑战：一是单个网络架构存在任务冲突，相同参数需同时优化约束遵从性和准确性；二是忽略约束方程的结构可分性，导致高维冗余，增加了神经网络处理的难度。现有神经网络求解器常将不同类型约束（如线性等式、非线性不等式）统一处理，忽略线性约束的结构可分性，无法通过降维简化问题，迫使网络学习冗余的高维特征，增加训练难度。部分研究虽尝试利用凸约束结构（如离线投影到低维子空间），但依赖初始可行解，无法与神经网络端到端协作，限制了泛化能力。

2、综上所述，现有技术中存在以下问题：如何约束优化中约束满足与解精度的平衡问题，进一步提高求解效率和准确性。

技术实现思路

1、本发明的目的是为了解决如何对单目位姿估计中的姿态可观测性提供理论支撑，提高位姿估计的精度的问题。

2、为此，一方面，本发明实施例提供了一种结构感知双网络协同智能规划方法，所述方法包括以下步骤：

3、对约束优化问题进行转化；

4、将转化后的约束优化问题分解为约束问题和精度问题；

5、将精度问题分配到精度增强神经网络；

6、将约束问题分配到约束满足神经网络；

7、将精度增强神经网络通过分层蒸馏到约束满足神经网络中，得到优化模型；

8、利用所述优化模型求解所述约束优化问题。

9、另一方面，本发明实施例还提供了一种结构感知双网络协同智能规划装置，包括

10、转化单元，用于对约束优化问题进行转化；

11、分解单元，用于将转化后的约束优化问题分解为约束问题和精度问题；

12、第一分配单元，用于将精度问题分配到精度增强神经网络；

13、第二分配单元，用于将约束问题分配到约束满足神经网络；

14、建模单元，用于将精度增强神经网络通过分层蒸馏到约束满足神经网络中，得到优化模型；

15、优化单元，用于利用所述优化模型求解所述约束优化问题。

16、上述技术方案具有如下有益效果：本发明结构感知模块通过利用问题中固有的线性约束来放松问题，并将其投射到仿射空间中进行决策，从而将原始问题转化为更容易被神经网络解决的形式。对比实验结果清楚地表明，在引入结构感知后，学习方法的约束违反减少了80%以上。此外，dc3法的精度差距也降低了7%。这主要是因为在处理线性等式约束时，与原始dc3中的“complete”操作不同，结构感知方法使神经网络能够输出一个完整的解。

17、本发明提出的框架spdc来解决复杂结构的约束优化问题。spdc框架集成了问题重构、知识抽取和协同求解三个核心组件，通过结构化指导和模型交互，提高求解效率和约束满意度。

1.一种结构感知双网络协同智能规划方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的一种结构感知双网络协同智能规划方法，其特征在于，所述对约束优化问题进行转化，具体包括：

3.根据权利要求1所述的一种结构感知双网络协同智能规划方法，其特征在于，所述优化模型具体为：

4.根据权利要求1所述的一种结构感知双网络协同智能规划方法，其特征在于，所述将精度问题分配到精度增强神经网络，具体包括：

5.根据权利要求1所述的一种结构感知双网络协同智能规划方法，其特征在于，所述将精度增强神经网络通过分层蒸馏到约束满足神经网络中，得到优化模型；包括：

6.一种结构感知双网络协同智能规划装置，其特征在于，包括：

7.根据权利要求6所述的一种结构感知双网络协同智能规划装置，其特征在于，所述转化单元，具体包括：

8.根据权利要求6所述的一种结构感知双网络协同智能规划装置，其特征在于，所述优化模型具体为：

9.根据权利要求6所述的一种结构感知双网络协同智能规划装置，其特征在于，所述第一分配单元，具体包括：

10.根据权利要求6所述的一种结构感知双网络协同智能规划装置，其特征在于，所述建模单元，包括：