Mar, 2023

DeepHive：一种基于多智能体强化学习的自动发现群体优化策略的方法

PDF
TL;DR本文提出了一种基于群体智能的全局优化器设计方法，将其问题形式化为强化学习问题，测试结果表明该方法在各种基准优化函数上的表现优于其他全局优化策略，并且具有良好的普适性，可用于快速开发特定领域的优化器。
swarm-based optimizersglobal optimizationreinforcement learningbenchmark optimization functionsdomain-specific optimizers
发现论文，激发创造
  • 群体系统的引导深度强化学习

    本文研究了如何使用有限的传感能力控制一组合作智能体，使用了基于演员 - 评论家算法的深度强化学习以近似 Q 值函数和策略评估，评估了在寻找和维持距离和定位目标方面的性能。

    Sep, 2017

  • 群体系统的深度强化学习

    提出了一种基于分布的平均嵌入（mean embeddings）状态表示法，适用于具有大量同质代理的群集系统；在深度多智能体强化学习中利用神经网络方式实现的平均嵌入表示法可实现最丰富的邻近智能体信息交换，促进更复杂的集体策略的发展。

    Jul, 2018

  • 基于代理的协作随机搜索用于超参数调优和全局函数优化

    本文提出了一种基于代理的协作技术，以找到任意一组超参数（或决策变量）的近似最优值，其设计了分布式搜索操作的分层代理架构，使用基于自适应宽度的随机采样技术进行合作搜索，并在机器学习和全局函数优化应用中，通过与两种常用随机调整策略的比较得出，该模型在多维度和设备资源有限的情况下优于其他方法。

    Mar, 2023

  • 群体学习优化

    本文提出了一种新的元优化器，该优化器能够在基于点和基于种群的优化算法算法空间中进行学习，提高了预测的准确性和优化能力，并在非凸测试函数和蛋白质对接应用中的实验结果表明，该元优化器优于现有竞争对手。

    Nov, 2019

  • 超级智能体：用于复杂环境的简洁、可扩展、高效和可证明的强化学习框架

    提出了一种基于 HyperAgent 的强化学习框架，通过超模型、索引采样方案和增量更新机制，在资源约束下实现对复杂任务的简化、高效和可伸缩性，以及超越共轭的通用值函数近似下的计算高效的顺序后验近似和数据高效的动作选择。

    Feb, 2024

  • 演化博弈理论在多智能体路径规划中的应用

    本文探讨了一种基于进化博弈论思想的解决方法来解决一组同质且自主代理在未知且随机环境中的路径规划问题，研究了多智能体规划方法，并展示了我们的技术在大空间中最小化路径长度方面击败了现有的状态良好的强化学习算法近 30%，并且比深度强化学习方法快至少一个数量级，并且与其他方法相比，扩展性更好，最后，我们证明了我们学到的政策在演化上是稳定的。

    Dec, 2022

  • 全局状态预测的分布式多智能体强化学习

    本文探讨了应用深度强化学习（Deep reinforcement learning, DRL）到机器人群体控制中的挑战，并提出了一种基于部分可观察马尔科夫决策过程（Partially Observable Markov Decision Process, POMDP）的解决方案，通过比较几个深度强化学习算法的表现，证明了全局状态预测（Global State Prediction, GSP）可以提高性能和鲁棒性。

    Jun, 2023

  • 分散化强化学习多机器人编队控制

    基于强化学习算法的分布式多机器人编队控制，并采用 DDQN 算法，通过离散机器人运动来适应连续非线性系统，无需复杂数学模型和非线性控制器即可在模拟和实验中实现稳定编队。

    Jun, 2023

  • 适应不同觅食环境的人工学习智能体群行为发展

    应用投影模拟和强化学习方法研究了人工智能智能体在收集资源过程中不同集体运动模式和个体运动趋势

    Apr, 2020

  • 深度确定性策略的情节式探索：星际争霸微观管理任务应用

    本研究以即时战略游戏 StarCraft 为基础，通过使用深度神经网络控制器及启发式强化学习算法来解决些许的问题，同时展现此算法适用于将士兵实时控制过程转化为强化学习问题，获得了良好效果。

    Sep, 2016