Apr, 2024

进化计算中基于深度强化学习的自动配置探索 - 开发平衡

PDF
TL;DR基于深度强化学习的框架可自动配置和调整探索 - 利用平衡 (EET)，以提升进化计算算法的性能和泛化能力。通过在 CEC2021 基准上进行实验证明，在多个问题类别、维度和种群规模上，该框架显著改善了现有算法的性能，并提供了对 EET 问题的深入分析。
evolutionary computationexploration-exploitation tradeoffdeep reinforcement learningec algorithmsaugmented cec2021 benchmark
发现论文，激发创造
  • 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

  • 通过一组寻求新颖性智能体的群体改进演化策略在深度强化学习中的探索

    本文结合高效的进化策略算法（ES）、直接探索策略和进化智能技术，提出了一种新型快速可扩展的在深度强化学习任务中进行探索的算法，通过在 Atari 游戏和机器人学习领域的实验验证，提高了 ES 在稀疏或陷阱型的深度 RL 任务中的表现。

    Dec, 2017

  • 进化动态优化与机器学习

    这篇论文是关于进化计算、人工智能、进化机器学习、进化动态优化和机器学习之间互相结合的研究，旨在激发进化学习社区的兴趣并在该领域激发创新贡献。

    Oct, 2023

  • 深度强化学习用于动态算法选择：关于差分进化的原理验证研究

    通过深度强化学习动态算法选择框架，本文提出了一种旨在解决单一算法在解决不同问题实例时的有效性差异的方法，该方法利用一组算法的互补优势，并在优化过程中动态调度它们以解决特定问题。

    Mar, 2024

  • 探索感知强化学习再探

    研究在强化学习中的探索和利用的权衡，通过解决探索感知标准来获得最优政策，结果是在表格和深度强化学习算法中应用简单变化并在离散和连续动作空间中，相对于非探索感知对应物表现出更好的性能。

    Dec, 2018

  • 强化学习的组合探索优化

    在解决复杂优化问题方面，探索式组合优化（ECO-DQN）通过连续改进解决方案，从而有效地学习有效的启发式方法来解决图上的组合优化问题，并在最大割问题上展示了最先进的强化学习性能。

    Sep, 2019

  • 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

  • 基于模型集合的效率高的强化学习算法：探索与利用

    本文提出了模型集成的方法 MEEE，其中含有一些特殊的探索和利用策略，解决了现有方法中存在的问题，包括计划探索、评估学习模型的不确定性以及更加合理利用学习模型等。在多项持续控制基准测试中，该方法表现优于其他无模型和有模型的现有方法，尤其在样本复杂度方面表现更加卓越。

    Jul, 2021

  • 演化约束强化学习策略

    本文提出了一种新的进化约束强化学习算法，它使用随机排序自适应平衡奖励和约束违规，并通过维护一组拉格朗日松弛系数与约束缓冲器限制政策行为。实验结果表明，我们的方法在机器人控制测试中表现出优异的性能，同时，消融分析显示引入随机排序和约束缓冲的好处。

    Apr, 2023