| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状及发展趋势 | 第10-14页 |
| 1.2.1 强化学习的国内外研究现状 | 第10-11页 |
| 1.2.2 高斯过程的国内外研究现状 | 第11-12页 |
| 1.2.3 高斯过程模型在强化学习中的应用 | 第12-13页 |
| 1.2.4 当前存在的问题及发展趋势 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第2章 强化学习算法的研究 | 第17-25页 |
| 2.1 强化学习模型及其要素分析 | 第17-19页 |
| 2.1.1 强化学习基本模型的分析 | 第17-18页 |
| 2.1.2 强化学习的要素分析 | 第18-19页 |
| 2.2 强化学习算法的研究 | 第19-24页 |
| 2.2.1 强化学习的要素分析 | 第19-20页 |
| 2.2.2 强化学习的关键算法的研究 | 第20-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 高斯过程模型及相关理论 | 第25-37页 |
| 3.1 高斯过程基础-贝叶斯定理 | 第25页 |
| 3.2 从两个视角理解高斯过程模型 | 第25-33页 |
| 3.2.1 权空间视角 | 第26-29页 |
| 3.2.2 函数空间视角 | 第29-33页 |
| 3.3 GP中核函数的确定 | 第33-35页 |
| 3.4 高斯过程超参数选择 | 第35页 |
| 3.5 本章小结 | 第35-37页 |
| 第4章 基于高斯过程的强化学习算法的研究 | 第37-58页 |
| 4.1 引言 | 第37-38页 |
| 4.2 基于高斯过程的强化学习算法的学习框架的研究 | 第38-50页 |
| 4.2.1 基于模型的策略搜索框架的分析 | 第38-40页 |
| 4.2.2 运用高斯模型对强化学习中外界环境进行建模 | 第40-41页 |
| 4.2.3 采用改进算法预估输出状态的分布函数 | 第41-48页 |
| 4.2.4 基于梯度的策略优化的算法研究 | 第48-50页 |
| 4.3 采用改进算法进行策略学习的具体实现步骤 | 第50-56页 |
| 4.3.1 采用改进算法计算基于控制的预测分布 | 第50页 |
| 4.3.2 约束控制信号的具体实现算法 | 第50-52页 |
| 4.3.3 初始策略的分析研究 | 第52-54页 |
| 4.3.4 计算后继状态分布 | 第54-55页 |
| 4.3.5 代价函数的改进 | 第55-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第5章 基于GP的强化学习算法的实验系统的设计及结果分析 | 第58-75页 |
| 5.1 实验系统介绍 | 第58-63页 |
| 5.2 实验目的及流程介绍 | 第63-65页 |
| 5.2.1 实验目标 | 第63-64页 |
| 5.2.2 实验流程 | 第64-65页 |
| 5.3 实验测试流程 | 第65-66页 |
| 5.4 输出结果分析 | 第66-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第6章 全文总结与展望 | 第75-77页 |
| 6.1 全文工作总结 | 第75-76页 |
| 6.2 展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-81页 |
