MDP基于actorcritic网络的统一NDP方法研究.pdfVIP

下载本文档

3
0
约1.75万字
约 5页
2018-01-11 发布于广东
举报
版权申诉

MDP基于actorcritic网络的统一NDP方法研究.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

ofthe 24th∞lnese Proceedings Control Conference GuangZhou,P．R．China July 15-18,2006 唐昊，陈栋，周雷 (合肥工业大学计算机与信息学院，合肥230009) E·mail：tangh@ustc．edu，htang@hfut．edu．ca 首先，通过MDP的一个一致链的单个样本轨道，利用一个神经元网络逼近其性能势，并根据折扣和平均准则下统一的参数TD(L)学习算法对性能势进行学习，即策略评估：然后，利用另一个神经网络表示策略，基于同一样本轨道和前述网络学习得到的性能势，改进网络参数，即进行参数策略改进。这种actor-critic优化方法可推广到模型参数已知的半马尔可夫决策过程(SMDP)。最后，我们给出一个数值例子来说明算法的应用。关键词：马尔可夫决策过程(MDPs)，性能势，TD(L)学习，神经元动态规划(NDP)，actor．critic AUnifiedNDP MethodforMDPs Actor-criticNetworks by Hao，Chen Lei Tang Dong，Zhou (School and ofComputer University Information，HefeiofTechnology,Hefei230009) Abstract：Inthis iSdiscussed paper，a viaanactor-critic for neuro-dynamicprogramming(NDP)method algorithm Markovdecision onthe of a ofa processes(MDPs)basedperformance learning potentials，Usingsinglesamplepath uniformizedMarkovchainof a the凇PneuralnetworkiSconstructedto and firstly representperformancepotentials to aunified forbothdiscountedand criteriatolearn perform parameterized TD(k)learningalgorithm average estimates ofwhich performance serveasthe evaluation．anotherneuralnetworkiS potentials，the approximatepolicy constructto the the