作者小头像 Lv.2
更多个人资料
153 成长值
0 关注
0 粉丝
+ 关注 私信

个人介绍

985高校A+学科博士二年级在读，CSDN专家博主，人工智能领域优质创作者

感兴趣或擅长的领域

开发语言、嵌入式、人工智能、软件开发
个人勋章
TA还没获得勋章~
成长雷达
150
3
0
0
0

个人资料

个人介绍

985高校A+学科博士二年级在读，CSDN专家博主，人工智能领域优质创作者

感兴趣或擅长的领域

开发语言、嵌入式、人工智能、软件开发

达成规则

以上满足项可达成此勋章

  • 博客
  • 关注
  • 粉丝
  • 论坛
全部时间
全部时间
最近三天
最近一周
最近一月
  • 全部
  • 强化学习
【Hierarchical RL】不允许你不了解分层强化学习（总结篇）
分层强化学习从月初更新到了月中，也准备告一段落了，后续深入研究强化学习，分层的理念多多少少都会涉及。面对复杂场景下的智能体决策问题，如何将复杂问题简单化总是不可避免的。如果后续还有值得分享算法，也会再开单文介绍。
Python 人工智能 机器人 机器学习 神经网络
作者小头像 不去幼儿园 2024-12-05 20:46:50
185
0
0
2024-12-05 20:46:50
185
0
0
【Hierarchical RL】离线策略修正分层强化学习（HIRO）算法
离线策略修正分层强化学习，Hierarchical Reinforcement Learning with Off-Policy Correction (HIRO) 是一种基于分层强化学习的算法，旨在解决长时间跨度和稀疏奖励问题。HIRO 特别引入了离策略（off-policy）校正机制，允许高层策略利用低层策略的经验，而不会因为低层策略的更新而产生偏差。
Python 人工智能 机器学习 神经网络 网络
作者小头像 不去幼儿园 2024-12-05 20:45:05
38
0
0
2024-12-05 20:45:05
38
0
0
【Hierarchical RL】动态分层强化学习（DHRL）算法
动态分层强化学习，Dynamic Hierarchical Reinforcement Learning (DHRL) 是一种自适应分层强化学习算法，其目标是根据任务和环境的复杂性动态地构建、修改和利用分层策略。DHRL 不仅仅是预定义层次结构的简单执行，而是允许代理在学习过程中根据需要动态生成和调整分层策略，从而实现更好的任务分解和高效学习。 DHRL 扩展了传统的分层强化学习（HRL），通过动
Python 人工智能 机器学习 神经网络 网络
作者小头像 不去幼儿园 2024-12-05 20:43:23
509
0
0
2024-12-05 20:43:23
509
0
0
【Hierarchical RL】Options Framework（选项框架）
Options Framework（选项框架）是分层强化学习中的一种经典方法，旨在通过将动作抽象化为**选项（Options）**来简化复杂任务的学习过程。基于Sutton等人提出的选项框架（Options Framework），其中选项是从一个子任务执行到完成的高层决策链。高层决策什么时候调用特定选项，低层负责具体执行选项的策略。 选项框架允许智能体在多个时间步内选择并执行较高级别的策略，而不
Python 人工智能 机器学习 神经网络 网络
作者小头像 不去幼儿园 2024-12-05 20:41:40
37
0
0
2024-12-05 20:41:40
37
0
0
【Hierarchical RL】半马尔可夫决策过程 (SMDP) --＞分层强化学习
半马尔可夫决策过程，Semi-Markov Decision Processes (SMDP) 是一种用于分层强化学习的模型，适用于那些包含不规则时间步或长期延迟决策的任务。相比于标准的马尔可夫决策过程（Markov Decision Process, MDP），SMDP 能够处理不同时间间隔之间的决策问题，因此在强化学习中广泛应用于分层结构，尤其是需要长时间跨度或多步策略的复杂任务中。
Python 人工智能 机器学习 神经网络 网络
作者小头像 不去幼儿园 2024-12-05 20:39:48
56
0
0
2024-12-05 20:39:48
56
0
0
【Hierarchical RL】分层深度Q网络（Hierarchical-DQN）算法
Hierarchical-DQN (Hierarchical Deep Q-Network) 是一种分层强化学习算法，专门设计用于解决复杂的任务，通过将任务分解为层次化的子任务来学习。它结合了深度 Q 网络（DQN）和分层强化学习的思想，将复杂任务分解为多个具有不同时间尺度的子任务。Hierarchical-DQN 的设计思路和 FeUdal Networks 类似，都是通过层次结构来解决长时间跨
Python 人工智能 机器学习 神经网络 网络
作者小头像 不去幼儿园 2024-12-05 20:37:54
39
0
0
2024-12-05 20:37:54
39
0
0
【Hierarchical RL】分层演员-评论家（Hierarchical Actor-Critic ）算法
Hierarchical Actor-Critic (HAC) 算法是一种用于分层强化学习（Hierarchical Reinforcement Learning, HRL）的算法，由Levy等人在2019年提出。HAC的目的是通过分层结构，将复杂任务分解为不同的时间尺度的子任务，从而更高效地学习策略。该算法使用了两层的Actor-Critic架构来实现策略和值函数的学习，并通过子任务的分解来降低
Python 人工智能 机器学习 神经网络 网络
作者小头像 不去幼儿园 2024-12-05 20:35:34
61
0
0
2024-12-05 20:35:34
61
0
0
【RL Latest Tech】分层强化学习：FeUdal Networks算法
FeUdal Networks（FuN）是一种分层强化学习（Hierarchical Reinforcement Learning, HRL）算法，由Google DeepMind团队提出。该算法的灵感来源于层级控制结构，将任务分解为高层目标和低层执行细节，从而提高强化学习在复杂环境中的效率。与传统的强化学习算法不同，FeUdal Networks将学习过程分为不同的层次，每个层次的角色不同，但都
Python 人工智能 机器学习 神经网络 网络
作者小头像 不去幼儿园 2024-12-05 20:32:33
46
0
0
2024-12-05 20:32:33
46
0
0
【RL Latest Tech】分层强化学习：Option-Critic架构算法
分层强化学习（Hierarchical Reinforcement Learning, HRL）通过将复杂问题分解为更小的子问题，显著提高了强化学习算法在解决高维状态空间和长期目标任务中的效率。Option-Critic架构是分层强化学习中一种非常有影响力的方法，专门用于自动发现和优化子策略（称为“Option”）。它是在经典的Options框架基础上提出的，用来处理分层决策问题，特别是可以在没有
Python 人工智能 机器学习 深度学习 神经网络
作者小头像 不去幼儿园 2024-12-05 20:22:14
38
0
0
2024-12-05 20:22:14
38
0
0
【RL Latest Tech】分层强化学习（Hierarchical RL）
分层强化学习（Hierarchical Reinforcement Learning，HRL）是一类旨在通过引入多层次结构来提高强化学习算法效率的方法。其核心思想是将复杂的任务分解为若干子任务，通过解决这些子任务来最终完成整体目标。
Python 人工智能 机器学习 深度学习 神经网络
作者小头像 不去幼儿园 2024-12-05 20:20:45
79
0
0
2024-12-05 20:20:45
79
0
0
总条数：23
10
10
20
50
100
  • 1
  • 2
  • 3

上滑加载中

https://www.baidu.com/s?ie=utf-8&f=3&rsv_bp=0&rsv_idx=1&tn=baidu&wd=sed%20%E6%9B%BF%E6%8D%A2%E5%AD%97%E7%AC%A6%E4%B8%B2&rsv_pq=c7db61a600035dc5&rsv_t=5e19yEsbV9N5fIvdlGRU
作者小头像
作者小头像
快速交付
+ 关注