基于比较代理模型与主动协方差矩阵适应的上下文策略搜索实证评估
机器学习
2019-04-16 v2 神经与进化计算
机器学习
摘要
上下文策略搜索（CPS）是一类多任务强化学习算法，对机器人应用尤为有用。近期的一种最先进方法是上下文协方差矩阵适应进化策略（C-CMA-ES）。它基于标准的黑盒优化算法 CMA-ES。我们将 CMA-ES 的两个有用扩展迁移至 C-CMA-ES 并做实证评估：使用基于比较的代理模型的 ACM-ES，以及使用协方差矩阵主动更新的 aCMA-ES。我们将展示这些方法在样本效率方面的改进可能令人印象深刻，尽管这对于机器人领域已不再相关。
引用
@article{arxiv.1810.11491,
title = {Empirical Evaluation of Contextual Policy Search with a Comparison-based Surrogate Model and Active Covariance Matrix Adaptation},
author = {Alexander Fabisch},
journal= {arXiv preprint arXiv:1810.11491},
year = {2019}
}
备注
Supplementary material for poster paper accepted at GECCO 2019; https://doi.org/10.1145/3319619.3321935