

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、強(qiáng)化學(xué)習(xí)(Reinforcement Learning,RL)是機(jī)器學(xué)習(xí)方法的重要組成部分。它通過Agent不斷地與環(huán)境進(jìn)行交互,學(xué)習(xí)從環(huán)境狀態(tài)到行為動(dòng)作的映射,最終目標(biāo)是最大化從環(huán)境獲得的累計(jì)獎(jiǎng)賞。隨著強(qiáng)化學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)研究取得突破性進(jìn)展后,強(qiáng)化學(xué)習(xí)成為目前機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)之一。本文針對(duì)強(qiáng)化學(xué)習(xí)算法中存在的收斂速度慢,收斂精度低的問題,圍繞模型學(xué)習(xí)方法,提出了幾種提高收斂速度和精度的強(qiáng)化學(xué)習(xí)算法。主要研究包括以下三部分內(nèi)容:
2、r> ?。?)針對(duì)Dyna-2算法中將已經(jīng)學(xué)習(xí)到的模型視為一個(gè)黑盒對(duì)待,沒有充分利用模型的問題,在Dyna-2的基礎(chǔ)上,提出軌跡采樣值迭代的方法來實(shí)現(xiàn)模型學(xué)習(xí)中的規(guī)劃過程。與從模型中采樣的方式相比,這種方法直接利用模型中的參數(shù),將模型視為一個(gè)白盒,提高了模型的利用率,從而可以在不失計(jì)算速度的情況下,提高規(guī)劃結(jié)果的精度,最終提高值函數(shù)的精度。
(2)針對(duì)模型學(xué)習(xí)方法中存在的探索效率不高的問題,提出 R-MAX和自模擬度量相結(jié)合的
3、方法來實(shí)現(xiàn)模型學(xué)習(xí)中的探索過程。將整個(gè)探索過程置于R-MAX的算法框架中,既保證探索的廣度,又不過多地重復(fù)探索某個(gè)狀態(tài)導(dǎo)致計(jì)算資源的浪費(fèi)。自模擬度量在距離的度量上比傳統(tǒng)采用歐式距離的方式更為準(zhǔn)確,因此能保證探索效率的提升,同時(shí)應(yīng)用軌跡采樣值迭代的規(guī)劃方法,在兩個(gè)方面都能有效地提高值函數(shù)的收斂效率。
?。?)針對(duì)現(xiàn)有模型學(xué)習(xí)方法在解決連續(xù)狀態(tài)空間問題上的不足,通過近似模型來表示狀態(tài)轉(zhuǎn)移函數(shù)和獎(jiǎng)賞函數(shù)。由于近似模型初期不完整,不能提
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于模型的動(dòng)態(tài)分層強(qiáng)化學(xué)習(xí)算法研究.pdf
- 基于試錯(cuò)學(xué)習(xí)的強(qiáng)化學(xué)習(xí)算法的研究.pdf
- 強(qiáng)化學(xué)習(xí)算法的研究與實(shí)驗(yàn).pdf
- 面向強(qiáng)化學(xué)習(xí)的規(guī)劃優(yōu)化方法研究.pdf
- 面向決策仿真的Agent模型中強(qiáng)化學(xué)習(xí)方法的研究.pdf
- 基于模型知識(shí)的大空間強(qiáng)化學(xué)習(xí)算法的研究與實(shí)現(xiàn).pdf
- 基于強(qiáng)化學(xué)習(xí)算法的多智能體學(xué)習(xí)問題的研究.pdf
- 連續(xù)時(shí)間分層強(qiáng)化學(xué)習(xí)算法.pdf
- 面向連續(xù)狀態(tài)的神經(jīng)網(wǎng)絡(luò)強(qiáng)化學(xué)習(xí)研究.pdf
- mba論文面向強(qiáng)化學(xué)習(xí)的規(guī)劃優(yōu)化方法研究pdf
- 基于強(qiáng)化學(xué)習(xí)算法的配對(duì)交易策略研究.pdf
- 基于動(dòng)作抽象的分層強(qiáng)化學(xué)習(xí)算法研究.pdf
- 基于高斯過程回歸的強(qiáng)化學(xué)習(xí)算法研究.pdf
- 分層強(qiáng)化學(xué)習(xí)中自動(dòng)分層算法的研究.pdf
- 基于強(qiáng)化學(xué)習(xí)的改進(jìn)遺傳算法研究.pdf
- 分層強(qiáng)化學(xué)習(xí)算法及其應(yīng)用研究.pdf
- 基于強(qiáng)化學(xué)習(xí)的智能車移動(dòng)模型研究.pdf
- 基于個(gè)性Agent的協(xié)作強(qiáng)化學(xué)習(xí)模型研究.pdf
- 基于強(qiáng)化學(xué)習(xí)的智能車移動(dòng)模型研究
- 基于強(qiáng)化學(xué)習(xí)算法的電梯調(diào)度系統(tǒng)的研究.pdf
評(píng)論
0/150
提交評(píng)論