结合DDPG与优先数据剪枝的样本处理方法

2021-11-17 07:36:38刘建明
计算机仿真 2021年6期
关键词:经验智能方法

向 卉,刘建明

(桂林电子科技大学计算机与信息安全学院,广西 桂林 541000)

1 引言

强化学习(RL)[1]是学习如何从动作空间中选择与周围环境相对应的适当动作,以获得最大奖励的过程。作为一种奖惩式的学习方法,强化学习使得智能体在避免低回报行为的同时,寻求能产生更大回报的行为。它被认为是一种强大的工具,旨在为机器人在与环境的交互过程中自动找到合适的策略。近年来,强化学习已成为智能系统设计的核心技术之一,并已广泛应用于人工智能和机器人技术。随着许多专家学者不断深入研究强化学习算法并做出许多突出贡献,该方法已广泛应用于机器人领域并取得了快速发展。然而,在传统连续控制域中,动作空间很大并且行为是实值,代理很难直接从原始像素中学习来完成复杂的任务。从强化学习的背景出发的深层强化学习方法结合了深度学习和强化学习,它可以在高维观测环境中完成复杂的任务,合理地解决这个问题。

最近,许多研究人员专注于深度确定性策略梯度(DDPG)算法的研究,该算法是[2]中提出的一种基于无模型、离线策略、actor-critic体系结构的实用型强化学习算法。 DDPG已经成功应用并在各种高维连续控制任务中表现出出色的性能,包括移动机器人的自主导航[3,4]任务中的路径规划。 尽管DDPG具有可行性,但如果未能采用适当的方法对预收集的原始样本进行预处理,则模型训练过程可能会变得耗时且效率降低。……

登录APP查看全文

猜你喜欢
经验智能方法
2021年第20期“最值得推广的经验”评选
党课参考(2021年20期)2021-11-04 09:39:46
经验
智能前沿
文苑(2018年23期)2018-12-14 01:06:06
2018年第20期“最值得推广的经验”评选
党课参考(2018年20期)2018-11-09 08:52:36
智能前沿
文苑(2018年19期)2018-11-09 01:30:14
智能前沿
文苑(2018年17期)2018-11-09 01:29:26
智能前沿
文苑(2018年21期)2018-11-09 01:22:32
用对方法才能瘦
Coco薇(2016年2期)2016-03-22 02:42:52
四大方法 教你不再“坐以待病”!
Coco薇(2015年1期)2015-08-13 02:47:34
捕鱼