原创力文档- 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
第34卷摇第1期计算机技术与发展Vol.34摇No.1
2024年1月摇摇摇摇摇摇摇摇摇摇COMPUTERTECHNOLOGYANDDEVELOPMENT摇摇摇摇摇摇摇摇摇摇Jan.摇2024
基于注意力的循环PPO算法及其应用
1,21,21,21,2
吕相霖,臧兆祥,李思博,王俊英
(1.三峡大学水电工程智能视觉监测湖北省重点实验室,湖北宜昌443002;
2.三峡大学计算机与信息学院,湖北宜昌443002)
摘摇要:针对深度强化学习算法在部分可观测环境中面临信息掌握不足、存在随机因素等问题,提出了一种融合注意力机
制与循环神经网络的近端策略优化算法(ARPPO算法)。该算法首先通过卷积网络层提取特征;其次采用注意力机制突
出状态中重要的关键信息;再次通过LSTM网络提取数据的时域特性;最后基于Actor-Critic结构的PPO算法进行策略学
习与训练提升。基于Gym-Minigrid环境设计了两项探索任务的消融与对比实验,实验结果表明ARPPO算法较已有的
A2C算法、PPO算法、RPPO算法具有更快的收敛速度,且ARPPO算法在收敛之后具有很强的稳定性,并对存在随机因素
的未知环境具备更强的适应力。
关键词:深度强化学习;部分可观测;注意力机制;LSTM网络;近端策略优化算法
中图分类号:TP242.6摇摇摇摇摇摇文献标识码:A摇摇摇摇摇摇文章编号:1673-629X(2024)01-0136-07
doi:10.3969/j.issn.1673-629X.2024.01.020
Attention-basedRecurrentPPOAlgorithmandItsApplication
1,21,21,21,2
LYUXiang-lin,ZANGZhao-xiang,LISi-bo,WANGJun-ying
(1.HubeiKeyLaboratoryofIntelligentVisualMonitoringforHydropowerEngineering,
ThreeGorgesUniversity,Yichang443002,China;
2.SchoolofComputerandInformation,ThreeGorgesUniversity,Yichang443002,China)
Abstract:Aproximalpolicyoptimizationmodelbasedonattentionmechanismandrecurrentneuralnetwork(ARPPO)isproposedto
addresstheproblemsfacedbydeepreinforcementlearningalgorithmsinpartiallyobservableenvironments,suchasinsufficient
informationabouttheenvironmentandrandomnessfactors.Thealgorithmfirstprocessestheencodedinformationofenvironmental
imagesthroughconvolutionalnetworklaye
文档评论（0）