买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江工业大学申请的专利一种基于多级算子变异的强化学习框架安全性检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115905861B 。

龙图腾网通过国家知识产权局官网在2026-02-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211358344.0，技术领域涉及：G06F18/214；该发明授权一种基于多级算子变异的强化学习框架安全性检测方法是由郑海斌;李晓豪;陈晋音设计研发完成，并于2022-11-01向国家知识产权局提交的专利申请。

本一种基于多级算子变异的强化学习框架安全性检测方法在说明书摘要公布了：一种基于多级算子变异的强化学习框架安全性检测方法，包括：1强化学习源模型训练：利用强化学习智能体与环境的交互进行目标导向学习，得到初始强化学习智能体模型Moo；2针对原始强化学习智能体模型Moo，针对性设计潜在缺陷；设计变异算子，将不同级别的变异算子安插在原始强化学习智能体模型Moo中；3修改初始强化学习环境中设计测试环境，并且设计针对于强化学习系统的突变分数，突变得分是被消灭的突变体的数量和突变体总体总数的比率；S4将原始强化学习智能体模型Moo和变异强化学习智能体模型MMM根据不同的测试环境进行游戏测试，将生成的变异测试分数进行比对，从而判定该框架是否此类型的漏洞。

本发明授权一种基于多级算子变异的强化学习框架安全性检测方法在权利要求书中公布了：1.一种基于多级算子变异的强化学习框架安全性检测方法，包括如下步骤： S1：强化学习源模型训练：利用强化学习智能体与环境的交互进行目标导向学习，其过程表述为,其中为有限状态空间，为有限动作空间，为环境的转移概率，为动作奖励值，为折扣率参数；搭建深度强化学习小车自动驾驶模拟环境；利用基于强化学习中的深度Q网络算法DQN训练小车Car，Car的目标是快地安全到达目的地，DQN将Q学习与卷积神经网络相结合，构建原始强化学习智能体模型； S2：针对原始强化学习智能体模型，针对性设计潜在缺陷；设计变异算子，将不同级别的变异算子安插在原始强化学习智能体模型中;具体包括： S2.1：元素级变异算子设置：本方案设计了两种类型的元素级变异算子，即状态变异算子和奖励变异算子；在时间步骤,学习智能体观察环境状态,并在此基础上选择动作,作为其行动的结果，智能体收到相应的奖励,并且更新出下个时间步的新的状态；提出的元素级变异算子是基于智能体在观察状态和获得奖励值之间的潜在风险而设计的；其中奖励变异算子包括奖励减少算子、奖励增加算子和奖励不稳定算子；状态变异算子包括状态记录奔溃、状态延迟和状态错误； S2.2智能体级变异算子设置：为了覆盖故障，训练智能体在不确定环境中完成任务是强化学习系统的目标；训练完成的智能体包含一个策略，指导智能体的行动；因此，本方案直接变异训练完成的智能体，以覆盖更多的潜在风险；智能体级变异算子包括输入层神经元去除、输出层神经元去除和输出层神经元附加； S3：修改初始强化学习环境中设计测试环境，并且设计针对于强化学习系统的突变分数，突变得分是被消灭的突变体的数量和突变体总体总数的比率； S4:将原始强化学习智能体模型和变异强化学习智能体模型根据不同的测试环境进行游戏测试，将生成的变异测试分数进行比对，从而判定该框架是否此类型的漏洞。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。