国产免费无遮挡吃奶视频,AV电影东京热无码专区,亚州春色av无码专区

內(nèi)容簡介

　　本書主要研究如何通過新型函數(shù)近似技術提升大規(guī)模強化學習器的性能。本書首先分析了傳統(tǒng)的函數(shù)近似技術，如Tile編碼與Kanerva編碼在處理大規(guī)模問題性能不佳的原因，即原型沖突與不均勻的原型訪問頻率分布。為了解決這些問題，本書分別應用自適應Kanerva函數(shù)近似、模糊邏輯函數(shù)近似與基于粗糙集的函數(shù)近似等方法對強化學習中的函數(shù)近似方法進行改進。本書還將以上函數(shù)近似方法分別應用于強化學習中不同難度的捕食者－獵物追逐問題與認知無線電網(wǎng)絡應用問題，以此進行驗證。實驗結果表明：本書所提方法不僅提高了類似問題的求解率，同時減少了所需原型數(shù)量，最終顯著提高了函數(shù)近似技術解決大規(guī)模強化學習與多智能體問題的有效性。

作者簡介

暫缺《大規(guī)模強化學習中的新型函數(shù)近似技術研究》作者簡介

圖書目錄

第一章引言
第一節(jié) 強化學習概述
第二節(jié) 本書研究的背景和意義
第三節(jié) 強化學習的應用領域
第二章自適應函數(shù)近似技術
第一節(jié) 傳統(tǒng)函數(shù)近似技術的實驗評估
第二節(jié) 訪問頻率與特征分布
第三節(jié) 基于Kanerva自適應機制的函數(shù)逼近技術
第四節(jié) 本章小結
第三章基于模糊邏輯的函數(shù)近似技術
第一節(jié) Kanerva編碼應用于困難實例的實驗評估
第二節(jié) Kanerva編碼中的原型沖突
第三節(jié) 自適應模糊Kanerva編碼
第四節(jié) 原型調(diào)整
第五節(jié) 本章小結
第四章基于粗糙集理論的函數(shù)近似技術
第一節(jié) 不同數(shù)量原型影響的實驗評估
第二節(jié) 粗糙集和Kanerva編碼
第三節(jié) 基于粗糙集的Kanerva編碼
第四節(jié) 不同初始原型數(shù)量的影響
第五節(jié) 本章小結
第五章強化學習函數(shù)近似技術的應用：認知無線電網(wǎng)絡
第一節(jié) 概述
第二節(jié) 基于強化學習的認知無線電
第三節(jié) 實驗模擬
第四節(jié) 基于強化學習的認知無線電函數(shù)近似技術
第五節(jié) 本章小結
參考文獻