| 中文摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 引言 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 背景知识 | 第17-26页 |
| 2.1 马尔科夫决策过程 | 第17-19页 |
| 2.2 部分可观测马尔科夫决策过程 | 第19-20页 |
| 2.3 方差相关风险评估标准 | 第20-21页 |
| 2.4 强化学习基本方法 | 第21-25页 |
| 2.4.1 时间差分方法 | 第21-22页 |
| 2.4.2 策略梯度方法 | 第22-24页 |
| 2.4.3 行动者-评论家方法 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 方差相关的离策略行动者-评论家算法 | 第26-42页 |
| 3.1 离策略行动者-评论家算法 | 第26-32页 |
| 3.1.1 离策略方法 | 第26-27页 |
| 3.1.2 离策略方法的奖赏方差 | 第27-31页 |
| 3.1.3 近似策略梯度方法 | 第31-32页 |
| 3.2 方差相关的离策略行动者-评论家算法 | 第32-37页 |
| 3.2.1 VOPAC算法 | 第32-36页 |
| 3.2.2 算法收敛性分析 | 第36-37页 |
| 3.3 实验及结果分析 | 第37-41页 |
| 3.3.1 Pinball实验描述 | 第37-38页 |
| 3.3.2 实验结果及分析 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 方差相关的策略梯度时间差分算法 | 第42-56页 |
| 4.1 时间差分与资格迹 | 第42-46页 |
| 4.1.1 n步TD预测 | 第42-43页 |
| 4.1.2 向前观点 | 第43-44页 |
| 4.1.3 向后观点 | 第44-46页 |
| 4.2 方差相关的策略梯度时间差分算法 | 第46-51页 |
| 4.2.1 VPGTD(l ) | 第46-49页 |
| 4.2.2 向后与向前观点一致性分析 | 第49-51页 |
| 4.3 实验及结果分析 | 第51-54页 |
| 4.3.1 Acrobot实验描述 | 第52-53页 |
| 4.3.2 实验结果及分析 | 第53-54页 |
| 4.4 本章小结 | 第54-56页 |
| 第五章 带中间状态的方差相关行动者-评论家算法 | 第56-73页 |
| 5.1 带中间状态的POMDP模型 | 第56-60页 |
| 5.1.1 中间状态 | 第56-58页 |
| 5.1.2 带中间状态的策略梯度方法 | 第58-59页 |
| 5.1.3 POMDP模型中方差相关策略梯度方法 | 第59-60页 |
| 5.2 带中间状态的方差相关行动者-评论家算法 | 第60-67页 |
| 5.2.1 ACIS算法 | 第60-63页 |
| 5.2.2 VACIS算法 | 第63-65页 |
| 5.2.3 算法收敛性分析 | 第65-67页 |
| 5.3 实验及结果分析 | 第67-72页 |
| 5.3.1 Load-Unload与Navigation实验描述 | 第67-69页 |
| 5.3.2 ACIS算法实验及结果分析 | 第69-71页 |
| 5.3.3 VACIS算法实验及结果分析 | 第71-72页 |
| 5.4 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-76页 |
| 6.1 总结 | 第73-74页 |
| 6.2 展望 | 第74-76页 |
| 参考文献 | 第76-81页 |
| 攻读硕士学位期间公开发表(录用)的论文及参与的项目 | 第81-82页 |
| 一、公开发表(录用)的学术论文 | 第81页 |
| 二、专利 | 第81页 |
| 三、参加的科研项目 | 第81-82页 |
| 致谢 | 第82-83页 |