版權(quán)說(shuō)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)是機(jī)器學(xué)習(xí)方法中重要的一類,在人工智能領(lǐng)域中有著舉足輕重的地位,在博弈、電梯調(diào)度和智能機(jī)器人等領(lǐng)域得到廣泛的應(yīng)用。在強(qiáng)化學(xué)習(xí)框架下,Agent不斷和周圍環(huán)境進(jìn)行交互,學(xué)習(xí)從環(huán)境狀態(tài)到行為的映射,以期望獲得最大累積獎(jiǎng)賞。
本文針對(duì)強(qiáng)化學(xué)習(xí)方法在大規(guī)模離散狀態(tài)空間和連續(xù)空間所面臨的“維數(shù)災(zāi)”問(wèn)題,以值函數(shù)逼近技術(shù)為基礎(chǔ),提出相應(yīng)的改進(jìn)算法,對(duì)比不同算法的收斂性能,具體研究?jī)?nèi)容
2、包括以下三方面:
(1)利用監(jiān)督學(xué)習(xí)中的高斯過(guò)程回歸(Gaussian process for regression)模型,在一般的函數(shù)逼近方法中,通常需要假設(shè)具體的函數(shù)形式,而該方法不需要事先假設(shè)具體的函數(shù)模型,而是傾向于讓樣本數(shù)據(jù)本身來(lái)表示值函數(shù),同時(shí)該方法具有易實(shí)現(xiàn),參數(shù)自適應(yīng)的優(yōu)點(diǎn),并且有很好的理論基礎(chǔ)。
(2)針對(duì)Dyna-Q算法隨著離散狀態(tài)規(guī)模的增加,算法收斂速度降低的問(wèn)題,提出一種基于高斯過(guò)程回歸的Dy
3、na框架聚類優(yōu)化算法,對(duì)大規(guī)模的離散狀態(tài)空間做狀態(tài)聚類處理,利用聚類后的較低規(guī)??臻g進(jìn)行學(xué)習(xí),并利用學(xué)習(xí)到的狀態(tài)值去評(píng)估高規(guī)模的狀態(tài)空間的狀態(tài)值。通過(guò)實(shí)驗(yàn)驗(yàn)證了該算法在提升算法收斂速率方面的有效性。
(3)提出一種連續(xù)狀態(tài)空間下值迭代算法—GPRV。該算法是以高斯過(guò)程回歸模型為基礎(chǔ)的。在連續(xù)狀態(tài)空間下無(wú)法像離散空間那樣進(jìn)行值函數(shù)表格式存儲(chǔ)。為解決大狀態(tài)連續(xù)空間的強(qiáng)化學(xué)習(xí)中的值函數(shù)逼近問(wèn)題,結(jié)合值迭代與高斯過(guò)程回歸。該算法通過(guò)高
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)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(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)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
- 基于高斯過(guò)程的強(qiáng)化學(xué)習(xí)算法的研究及實(shí)現(xiàn).pdf
- 基于高斯回歸的連續(xù)空間多智能體強(qiáng)化學(xué)習(xí)算法研究.pdf
- 基于高斯過(guò)程回歸的盲均衡算法研究
- 基于高斯過(guò)程回歸的盲均衡算法研究.pdf
- 軌跡聚類與基于高斯過(guò)程回歸模型的軌跡識(shí)別算法研究.pdf
- 基于強(qiáng)化學(xué)習(xí)算法的發(fā)酵過(guò)程多目標(biāo)優(yōu)化.pdf
- 基于測(cè)地高斯核的策略迭代強(qiáng)化學(xué)習(xí).pdf
- 基于試錯(cuò)學(xué)習(xí)的強(qiáng)化學(xué)習(xí)算法的研究.pdf
- 基于高斯過(guò)程回歸學(xué)習(xí)的超分辨重建及后處理方法研究.pdf
- 基于高斯過(guò)程回歸的室內(nèi)定位指紋庫(kù)構(gòu)建與更新算法研究
- 用于回歸預(yù)測(cè)的高斯過(guò)程模型研究.pdf
- 基于高斯過(guò)程回歸的鏈路質(zhì)量預(yù)測(cè)方法.pdf
- 基于多輸出高斯過(guò)程回歸的翼型快速設(shè)計(jì).pdf
- 基于改進(jìn)高斯過(guò)程回歸的賴氨酸發(fā)酵過(guò)程軟測(cè)量研究.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(guò)程回歸的圖像超分辨重建技術(shù)研究.pdf
- 28509.基于高斯過(guò)程回歸的室內(nèi)定位指紋庫(kù)構(gòu)建與更新算法研究
- 基于模型的動(dòng)態(tài)分層強(qiáng)化學(xué)習(xí)算法研究.pdf
- 基于強(qiáng)化學(xué)習(xí)的改進(jìn)遺傳算法研究.pdf
評(píng)論
0/150
提交評(píng)論