强化学习算法研究
针对智能Agent运动中普遍存在的避障问题,结合强化学习具有的试错和环境交互获得在莱状态下选择动作的策略以及无导师在线学习等特性.在介绍强化学习的原理、分类以及主要算法(TD(λ)、Q_learning、Dyna,Prioritized Sweeping、Sarsa)的基础上,对TS(λ)、Q_learning的算法进行分析,并将其应用到实验中.实验结果表明,强化学习中的TS(λ)、Q_learning等算法在不同情况下都能高效地解决避障等问题.
强化学习、Q学习、Agent智能体、机器人控制、避障、搜索引擎
29
TP18(自动化基础理论)
国家自然科学基金项目60473003、60673092;中国博士后科研基金项目20060390919;江苏省高校自然科学基金项目06KJB520104;江苏省博士后科研基金项目060211C
2009-02-16(万方平台首次上网日期,不代表论文的发表时间)
共5页
5805-5809