基于多任务深度强化学习的匝道控制专家级控制
人工智能
2017-02-01 v1
摘要
本文展示了最近强化学习（RL）的突破——使机器人学会玩街机视频游戏、行走或组装彩色积木——如何被用于执行当前工程信息物理系统核心的其他任务。我们提出了首次将 RL 用于由离散化非线性偏微分方程（PDEs）建模的系统的控制，并设计了一种新颖算法，将非参数控制技术用于大型多智能体系统。我们展示了基于神经网络的 RL 如何实现对边参数未知、随机且时变的离散化 PDE 的控制。我们引入了一种互权重正则化（MWR）算法，该算法通过智能体间共享经验同时给予每个智能体专门化其动作策略以适配其所在系统局部的参数的机会，从而缓解多智能体控制方案的维度灾难。
引用
@article{arxiv.1701.08832,
title = {Expert Level control of Ramp Metering based on Multi-task Deep Reinforcement Learning},
author = {Francois Belletti and Daniel Haziza and Gabriel Gomes and Alexandre M. Bayen},
journal= {arXiv preprint arXiv:1701.08832},
year = {2017}
}