ARDNS-FN-Quantum：基于量子增强的强化学习框架，实现认知启发式自适应探索以应对动态环境
机器学习
2025-05-13 v1 人工智能
摘要
强化学习（RL）已彻底变革了序列决策，但像深度Q网络（DQN）和近端策略优化（PPO）等传统算法在动态环境中常面临高效探索、稳定性和适应性不足的问题。本研究提出了ARDNS-FN-Quantum（Adaptive Reward-Driven Neural Simulator with Quantum enhancement，奖励驱动神经模拟器），这是一种新型框架，集成了用于动作选择的2量子比特量子电路、受人类认知启发的双记忆系统，以及由奖励方差和好奇心调节的自适应探索策略。在10×10的网格世界中进行20,000个episode的评估，ARDNS-FN-Quantum实现了99.5%的成功率（相较于DQN的81.3%和PPO的97.0%），所有episode的平均奖励为9.0528（相较于DQN的1.2941和PPO的7.6196），到达目标的平均步数为46.7（相较于DQN的135.9和PPO的62.5）。在最后100个episode中，其平均奖励为9.1652（相较于DQN的7.0916和PPO的9.0310），到达目标步数为37.2（相较于DQN的52.7和PPO的53.4）。通过学习曲线、步数-目标趋势、奖励方差和奖励分布等图形分析，证明了ARDNS-FN-Quantum在稳定性（所有episode奖励方差为5.424，远低于DQN的252.262和PPO的76.583）和效率方面的优势。通过将量子计算、认知科学与RL相结合，ARDNS-FN-Quantum提供了一种可扩展的、类似人的自适应学习方法，适用于机器人、自动驾驶系统和不确定环境下的决策。
引用
@article{arxiv.2505.06300,
title = {ARDNS-FN-Quantum: A Quantum-Enhanced Reinforcement Learning Framework with Cognitive-Inspired Adaptive Exploration for Dynamic Environments},
author = {Umberto Gonçalves de Sousa},
journal= {arXiv preprint arXiv:2505.06300},
year = {2025}
}
备注
19 pages, 7 figures