Jan, 2024

演化算法与强化学习的桥梁：综述

PDF
TL;DR進化強化學習 (ERL) 通過整合進化算法 (EAs) 和強化學習 (RL) 進行優化，展現了卓越的性能提升。本文綜述了 ERL 中多樣的研究分支，系統地總結了最近相關算法的發展，並確定了三個主要的研究方向：EA 輔助 RL 優化、RL 輔助 EA 優化以及 EA 和 RL 的協同優化。隨後，我們對每個研究方向進行了深入分析，組織了多個研究分支，闡明了每個分支旨在解決的問題以及 EA 和 RL 集成如何應對這些挑戰。最後，我們討論了不同研究方向中可能面臨的挑戰和未來的研究方向。
发现论文，激发创造
  • 强化学习辅助的进化算法：调查与研究机会

    综述了将强化学习应用于进化算法的研究，讨论了集成方法、应用领域以及未来研究方向。

    Aug, 2023

  • 演化引导的强化学习策略梯度

    本文介绍了一种基于人工进化算法和深度强化学习相结合的进化增强学习算法，该算法克服了传统深度强化学习算法中时序资格分配、探索效率和收敛性极度敏感的问题，使用基于种群的进化算法来训练深度强化学习代理人，实验结果表明，该方法在多种连续控制基准测试中显著优于传统深度强化学习和进化算法方法。

    May, 2018

  • 进化强化学习：综述

    这篇文章综述了将进化计算方法与强化学习相结合的最新研究进展和方法，涉及强化学习中的关键研究领域及未来方向，为研究者和实践者提供参考和资源。

    Mar, 2023

  • 集成强化学习：一项调查

    本文介绍了近期一种重要的处理复杂任务的方法 —— 集成强化学习，它结合了强化学习和集成学习来充分探索问题空间，具有强的推广特性。本文综述了集成强化学习的研究现状和进展，分析了其成功应用的策略，并提出了一些未来的研究方向和应用。

    Mar, 2023

  • 近端蒸馏进化强化学习

    本文提出一种新的算法 Proximal Distilled Evolutionary Reinforcement Learning (PDERL)，通过对深度神经网络进行基于学习的变异操作，弥补了简单遗传编码的缺陷，优于 Evolutionary Reinforcement Learning (ERL) 和两种现有的强化学习算法。

    Jun, 2019

  • 强化学习的进化算法

    本文针对强化学习问题，重点介绍了进化算法在该问题上的应用，以及替代策略表述、信誉分配方法和问题特定遗传算子等方面的思考，在总结代表性应用的同时呈现了进化方法在强化学习中的优势和劣势。

    Jun, 2011

  • 用简单的进化思想辅助基于梯度的强化学习

    我们提出了一种简单而有效的强化学习算法，通过使用进化算子在强化学习中引入大的有向学习步骤，并使用具有共同经验缓冲区的强化学习代理人种群进行训练，从而有效地搜索策略空间。

    May, 2023

  • 协作进化强化学习

    本研究介绍了一种名为 CERL 的可扩展框架，其中包含一组策略，这些策略同时探索和利用解决方案空间的不同区域，并使用神经进化将这个过程绑定在一起，从而生成一个超越任何个体学习器的单个新兴学习器。实验表明，这个新兴学习器在连续控制基准测试中优于其复合学习器，并保持整体更高的采样效率。

    May, 2019

  • 结合演化和深度强化学习的策略搜索：一项调查

    本文对深度神经进化和深度强化学习领域组合机制的文献进行梳理和总结调查，提供了一个基于现有文献的研究框架，不着重于实验结果，共涵盖了 45 种算法，旨在促进该领域的发展并加深人们对各方法之间关系的理解，从而推进新型机制的发展。

    Mar, 2022

  • BiERL：一种基于双层优化的元进化强化学习框架

    通过双级优化的元进化强化学习（ERL）框架，我们在单个智能体内并行地更新超参数，从而解决了复杂强化学习问题中不足的探索或模型崩溃的问题，验证了其在各种 ERL 算法上改善学习性能的一致性优势。

    Aug, 2023