強(qiáng)化學(xué)習(xí)

第1章強(qiáng)化學(xué)習(xí)概論

\n

\n

1.1引言

\n

\n

1.2強(qiáng)化學(xué)習(xí)的發(fā)展歷程

\n

\n

1.3強(qiáng)化學(xué)習(xí)的研究現(xiàn)狀

\n

\n

1.4本書(shū)內(nèi)容架構(gòu)

\n

\n

參考文獻(xiàn)

\n

\n

第2章馬爾可夫決策過(guò)程

\n

\n

2.1馬爾可夫決策過(guò)程

\n

\n

\n

2.2策略與代價(jià)函數(shù)

\n

\n

2.3最優(yōu)策略與最優(yōu)代價(jià)函數(shù)

\n

\n

參考文獻(xiàn)

\n

\n

第3章動(dòng)態(tài)規(guī)劃

\n

\n

3.1動(dòng)態(tài)規(guī)劃的興起

\n

\n

3.2動(dòng)態(tài)規(guī)劃基本思想： 多級(jí)決策過(guò)程

\n

\n

3.3最優(yōu)性原理與遞推方程

\n

\n

3.4離散時(shí)間動(dòng)態(tài)規(guī)劃

\n

\n

3.5連續(xù)時(shí)間動(dòng)態(tài)規(guī)劃

\n

\n

3.6動(dòng)態(tài)規(guī)劃的挑戰(zhàn)

\n

\n

\n

參考文獻(xiàn)

\n

\n

第4章蒙特卡洛學(xué)習(xí)方法

\n

\n

4.1蒙特卡洛方法背景

\n

\n

4.1.1蒙特卡洛方法的由來(lái)

\n

\n

4.1.2基于模型的算法與無(wú)模型算法比較

\n

\n

4.1.3蒙特卡洛模擬的思路

\n

\n

\n

4.2蒙特卡洛預(yù)測(cè)

\n

\n

4.2.1初次訪問(wèn)蒙特卡洛預(yù)測(cè)

\n

\n

4.2.2歷次訪問(wèn)蒙特卡洛預(yù)測(cè)

\n

\n

4.2.3增量計(jì)算技巧

\n

\n

4.3蒙特卡洛控制

\n

\n

4.3.1初始探索問(wèn)題

\n

\n

4.3.2在策方法： ε貪心算法

\n

\n

4.3.3脫策算法： 重要性采樣

\n

\n

4.4蒙特卡洛強(qiáng)化學(xué)習(xí)算法總結(jié)

\n

\n

參考文獻(xiàn)

\n

\n

\n

\n

\n

\n

\n

\n

第5章時(shí)序差分學(xué)習(xí)

\n

\n

5.1時(shí)序差分學(xué)習(xí)基本概念

\n

\n

5.2時(shí)序差分學(xué)習(xí)算法

\n

\n

5.3n步回報(bào) 

\n

\n

5.4TD(λ)算法

\n

\n

\n

參考文獻(xiàn)

\n

\n

第6章神經(jīng)網(wǎng)絡(luò)

\n

\n

6.1神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史

\n

\n

6.2MP神經(jīng)元模型

\n

\n

6.3前饋神經(jīng)網(wǎng)絡(luò)

\n

\n

6.3.1感知機(jī)

\n

\n

6.3.2誤差反向傳播算法

\n

\n

6.3.3徑向基網(wǎng)絡(luò)

\n

\n

\n

6.4其他常見(jiàn)的神經(jīng)網(wǎng)絡(luò)

\n

\n

6.4.1ART網(wǎng)絡(luò)

\n

\n

6.4.2Hopfield網(wǎng)絡(luò)

\n

\n

6.4.3Boltzmann機(jī)

\n

\n

參考文獻(xiàn)

\n

\n

第7章自適應(yīng)動(dòng)態(tài)規(guī)劃

\n

\n

7.1問(wèn)題描述

\n

\n

7.2自適應(yīng)動(dòng)態(tài)規(guī)劃的原理

\n

\n

7.3自適應(yīng)動(dòng)態(tài)規(guī)劃的分類(lèi)

\n

\n

7.3.1啟發(fā)式動(dòng)態(tài)規(guī)劃

\n

\n

7.3.2二次啟發(fā)式規(guī)劃

\n

\n

7.3.3執(zhí)行依賴(lài)啟發(fā)式動(dòng)態(tài)規(guī)劃

\n

\n

7.3.4執(zhí)行依賴(lài)二次啟發(fā)式規(guī)劃

\n

\n

\n

7.4基于執(zhí)行依賴(lài)的自適應(yīng)動(dòng)態(tài)規(guī)劃方法

\n

\n

7.4.1問(wèn)題描述

\n

\n

7.4.2基于執(zhí)行依賴(lài)的自適應(yīng)動(dòng)態(tài)規(guī)劃方法

\n

\n

參考文獻(xiàn)

\n

\n

第8章策略迭代學(xué)習(xí)方法

\n

\n

8.1啟發(fā)式學(xué)習(xí)原理

\n

\n

\n

8.2離散時(shí)間策略迭代自適應(yīng)動(dòng)態(tài)規(guī)劃

\n

\n

8.2.1策略迭代算法的推導(dǎo)

\n

\n

8.2.2策略迭代算法的性質(zhì)

\n

\n

8.2.3初始容許控制律的獲得

\n

\n

8.2.4仿真實(shí)驗(yàn)

\n

\n

8.3連續(xù)時(shí)間策略迭代自適應(yīng)動(dòng)態(tài)規(guī)劃

\n

\n

8.3.1連續(xù)時(shí)間策略迭代算法

\n

\n

8.3.2連續(xù)時(shí)間策略迭代自適應(yīng)動(dòng)態(tài)規(guī)劃的性能分析

\n

\n

\n

參考文獻(xiàn)

\n

\n

第9章值迭代學(xué)習(xí)方法

\n

\n

9.1值迭代學(xué)習(xí)原理

\n

\n

\n

9.2離散時(shí)間值迭代自適應(yīng)動(dòng)態(tài)規(guī)劃

\n

\n

9.2.1離散時(shí)間非線性系統(tǒng)的Bellman方程解

\n

\n

\n

9.2.2廣義值迭代自適應(yīng)動(dòng)態(tài)規(guī)劃

\n

\n

\n

9.3連續(xù)時(shí)間值迭代自適應(yīng)動(dòng)態(tài)規(guī)劃

\n

\n

9.3.1問(wèn)題描述

\n

\n

9.3.2主要結(jié)果

\n

\n

\n

參考文獻(xiàn)

\n

\n

第10章Q學(xué)習(xí)方法

\n

\n

10.1無(wú)模型強(qiáng)化學(xué)習(xí)

\n

\n

10.2Q學(xué)習(xí)原理

\n

\n

10.3離散時(shí)間確定性Q學(xué)習(xí)

\n

\n

10.3.1問(wèn)題描述

\n

\n

10.3.2離散時(shí)間確定性Q學(xué)習(xí)算法的性質(zhì)

\n

\n

10.3.3離散時(shí)間確定性Q學(xué)習(xí)算法的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)

\n

\n

10.3.4仿真實(shí)驗(yàn)

\n

\n

10.4Q學(xué)習(xí)進(jìn)展

\n

\n

\n

參考文獻(xiàn)

\n

\n

第11章脫策學(xué)習(xí)

\n

\n

11.1脫策學(xué)習(xí)的興盛

\n

\n

11.2脫策學(xué)習(xí)的基本思想

\n

\n

11.2.1問(wèn)題描述

\n

\n

11.2.2相關(guān)研究工作

\n

\n

11.3脫策學(xué)習(xí)過(guò)程

\n

\n

11.3.1脫策強(qiáng)化學(xué)習(xí)

\n

\n

11.3.2基于神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)

\n

\n

11.4脫策學(xué)習(xí)收斂性分析

\n

\n

11.5基于脫策強(qiáng)化學(xué)習(xí)的線性H∞控制

\n

\n

11.6仿真實(shí)驗(yàn)

\n

\n

\n

參考文獻(xiàn)

\n

\n

第12章深度強(qiáng)化學(xué)習(xí)

\n

\n

12.1深度學(xué)習(xí)基本概念

\n

\n

12.1.1深度學(xué)習(xí)的起源

\n

\n

12.1.2深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)

\n

\n

12.1.3深度學(xué)習(xí)的運(yùn)用環(huán)境

\n

\n

12.2深度神經(jīng)網(wǎng)絡(luò)

\n

\n

12.2.1深度神經(jīng)網(wǎng)絡(luò)溯源

\n

\n

12.2.2梯度下降法

\n

\n

12.2.3反向傳播

\n

\n

12.2.4動(dòng)量模型

\n

\n

12.2.5學(xué)習(xí)律

\n

\n

12.3卷積神經(jīng)網(wǎng)絡(luò)

\n

\n

12.3.1卷積神經(jīng)網(wǎng)絡(luò)介紹

\n

\n

12.3.2卷積層

\n

\n

12.3.3采樣層

\n

\n

12.3.4分類(lèi)層

\n

\n

12.3.5經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

\n

\n

\n

12.4循環(huán)神經(jīng)網(wǎng)絡(luò)

\n

\n

12.4.1循環(huán)神經(jīng)網(wǎng)絡(luò)介紹

\n

\n

12.4.2長(zhǎng)短期記憶模型

\n

\n

12.5生成對(duì)抗網(wǎng)絡(luò)

\n

\n

12.6深度強(qiáng)化學(xué)習(xí)基本理論

\n

\n

12.6.1Q函數(shù)

\n

\n

12.6.2策略

\n

\n

12.6.3效用值

\n

\n

12.6.4模型

\n

\n

12.6.5規(guī)劃

\n

\n

\n

12.7深度強(qiáng)化學(xué)習(xí)實(shí)際應(yīng)用

\n

\n

12.7.1游戲

\n

\n

12.7.2機(jī)器人與控制

\n

\n

12.7.3自然語(yǔ)言處理

\n

\n

12.7.4計(jì)算機(jī)視覺(jué)

\n

\n

\n

12.8未來(lái)待解決的問(wèn)題

\n

\n

12.8.1采樣效率低下

\n

\n

12.8.2難以尋找合適的效用函數(shù)

\n

\n

12.8.3局部最優(yōu)陷阱

\n

\n

12.8.4過(guò)擬合問(wèn)題

\n

\n

12.8.5復(fù)現(xiàn)難題

\n

\n

12.8.6適用場(chǎng)景與未來(lái)思考

\n

\n

\n

參考文獻(xiàn)

\n

\n

第13章強(qiáng)化學(xué)習(xí)展望： 平行強(qiáng)化學(xué)習(xí)

\n

\n

13.1自適應(yīng)動(dòng)態(tài)規(guī)劃與深度強(qiáng)化學(xué)習(xí)

\n

\n

13.2平行控制理論的基本思想

\n

\n

13.3平行動(dòng)態(tài)規(guī)劃方法

\n

\n

參考文獻(xiàn)

\n

\n

\n