基于多智能体强化学习的机器人足球行为模型地研究.pdfVIP

基于多智能体强化学习的机器人足球行为模型的研究· 李晓薇，程显毅，柯佳，韩兰君 (江苏大学计算机科学与通信学院，江苏镇江212013) 摘要：为完成一个团队的共同的目标，多智能体是如何学习的将是本文的研究目的。以机器人足球为背 景，基于强化学习建立多智能体学习模型，实验表明，与单智能体学习比较，多智能体学习具有明显的优势， 可以求解复杂的合作问题。 关键词：智能体；多智能体；强化学习；机器人足球 ReinforcementinThe of Multi——Agent LearningStudy ucoDoRledoI’—Soccer’sSoccerroivahe7SB eaviorMoel RobocuFI Li andHan Xiao-wei，ChengXian-yi，Ke-JiaLan-jun of ScienceCommunication (SchoolComputer Engineering，JiangSuUniversity,Zhenjiang 212013，China) Abstract：Theaimisthatresearch inordertofinish ateam will paper multi-agentslearning goal．Wepresent of amodel basedonreinforcement showthat with RoboCup learning，theexperiment single·agent Compared hasobvious itcansolvethe and learning，multi-agentlearning advantages，and complicatedcooperativeproblems． KeyWords：agent；multi·agent；reinforcementlearning；RoboCup 1 引言 由于Internet的使用，不分时间与地域地获得信息已成为现实，但是，如何有效利用这 些信息，并使用这些信息提高生产率成为迫切需要解决的问题。机器学习是解决这类问题的 有效方法之一。 在不同的时期，人们对机器学习有着不同的兴奋点。1989年，Carbonell发表文章【I】指 出机器学习有4个研究方向：连接机器学习、基于符号的归纳机器学习、遗传机器学习与分 析机器学习。十年过去了，1997年，Dietterich提出了另外4个新的研究方向：分类器的集 of for 成(Ensemblesclassifiers)、海量数据的有教师学习算法(Methodsscalingupsupervised learningalgorithm)、强化机器学习(Reinforcementlearning)与学习复杂统计模型(Learning stochastic complex models)。在理论上，我们可以将其进一步归纳为三类不同的学习理论：海 量数据的符号机器学习理论、统计机器学习理论与基于适应性的机器学习理论[21。 随着数字化和网络化进程的加快，带来了大规模、开放、异构、分布的信息资源，如何 学习变化的环境成为非线性学习的一个研究热点。 环境可分为三种类型：自然环境、社会环境与人的环境，这三类环境具有完全不同的性 质，分别研究这些环境的性质，并设计对变化环境适应的计算机制是机器学习的一项挑战性 的课题。