会员服务
深度强化学习 (DRL) 是一种使用深度学习技术扩展传统强化学习方法的一种机器学习方法。 传统强化学习方法的主要任务是使得主体根据从环境中获得的奖赏能够学习到最大化奖赏的行为。然而，传统无模型强化学习方法需要使用函数逼近技术使得主体能够学习出值函数或者策略。在这种情况下，深度学习强大的函数逼近能力自然成为了替代人工指定特征的最好手段并为性能更好的端到端学习的实现提供了可能。
RLtools: A Fast, Portable Deep Reinforcement Learning Library for Continuous Control
RLtools: A Fast, Portable Deep Reinforcement Learning Library for Continuous Control
Arxiv
0+阅读 · 11月19日
Decentralized Coordination of Distributed Energy Resources through Local Energy Markets and Deep Reinforcement Learning
Arxiv
0+阅读 · 11月14日
Asymmetric Information Enhanced Mapping Framework for Multirobot Exploration based on Deep Reinforcement Learning
Arxiv
0+阅读 · 11月15日
Test Where Decisions Matter: Importance-driven Testing for Deep Reinforcement Learning
Arxiv
0+阅读 · 11月12日
Tangled Program Graphs as an alternative to DRL-based control algorithms for UAVs
Arxiv
0+阅读 · 11月8日
Acceleration for Deep Reinforcement Learning using Parallel and Distributed Computing: A Survey
Arxiv
0+阅读 · 11月8日
Towards Active Flow Control Strategies Through Deep Reinforcement Learning
Arxiv
0+阅读 · 11月8日
Enhancing Adaptive Mixed-Criticality Scheduling with Deep Reinforcement Learning
Arxiv
0+阅读 · 11月1日
A Survey Analyzing Generalization in Deep Reinforcement Learning
Arxiv
0+阅读 · 10月30日
Adaptive $Q$-Network: On-the-fly Target Selection for Deep Reinforcement Learning
Arxiv
0+阅读 · 10月21日
AI Olympics challenge with Evolutionary Soft Actor Critic
Arxiv
0+阅读 · 10月28日
A Survey of Multi-Agent Deep Reinforcement Learning with Communication
Arxiv
0+阅读 · 10月18日
Adversarial Inception for Bounded Backdoor Poisoning in Deep Reinforcement Learning
Arxiv
0+阅读 · 10月21日
Adversarial Inception for Bounded Backdoor Poisoning in Deep Reinforcement Learning
Arxiv
0+阅读 · 10月17日
SMARLA: A Safety Monitoring Approach for Deep Reinforcement Learning Agents
Arxiv
0+阅读 · 10月22日
参考链接
父主题
强化学习
微信扫码咨询专知VIP会员
Top