面向多目标问题的分层模块化强化学习方法及状态-动作规则知识获取
机器学习
2018-04-10 v1 人工智能
多智能体系统
机器学习
摘要
分层模块化强化学习（HMRL）由两层学习构成，其中 Profit Sharing 在高层规划猎物位置，Q-learning 方法在低层训练至目标的状态-动作。本文将 HMRL 扩展至多目标问题，以考虑目标间距离。称为“AT field”的函数可根据两个智能体间距离及另一智能体的优劣来估计对该智能体的关注程度。此外，利用 C4.5 提取与状态-动作规则相关的知识。基于所获知识决定该情境下的动作。为验证所提方法的有效性，给出了若干实验结果。
引用
@article{arxiv.1804.02698,
title = {Hierarchical Modular Reinforcement Learning Method and Knowledge Acquisition of State-Action Rule for Multi-target Problem},
author = {Takumi Ichimura and Daisuke Igaue},
journal= {arXiv preprint arXiv:1804.02698},
year = {2018}
}
备注
6pages, 10 figures, Proc. of IEEE 6th International Workshop on Computational Intelligence and Applications (IWCIA2013)