基于贝叶斯理论的行动者评论家算法研究
| 中文摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 引言 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 相关研究现状 | 第11-13页 |
| 1.3 主要工作 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 相关理论概述 | 第16-32页 |
| 2.1 马尔科夫决策过程 | 第16-18页 |
| 2.2 强化学习中的经典算法 | 第18-29页 |
| 2.2.1 动态规划 | 第19-24页 |
| 2.2.2 时间差分算法 | 第24-27页 |
| 2.2.3 行动者评论家算法 | 第27-29页 |
| 2.3 贝叶斯推理 | 第29-30页 |
| 2.4 高斯过程 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 一种基于高斯过程时间差分的AC算法 | 第32-45页 |
| 3.1 带参高斯过程时间差分方法 | 第32-34页 |
| 3.2 改进的带参高斯过程时间差分模型 | 第34-36页 |
| 3.3 BGPAC算法 | 第36-38页 |
| 3.4 实验结果及分析 | 第38-44页 |
| 3.4.1 实验描述 | 第39-40页 |
| 3.4.2 实验设置 | 第40页 |
| 3.4.3 实验结果及分析 | 第40-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 一种基于高斯过程的离策AC算法 | 第45-58页 |
| 4.1 相关理论 | 第45-49页 |
| 4.1.1 离策略强化学习 | 第45-46页 |
| 4.1.2 带资格迹的梯度时间差分方法 | 第46-49页 |
| 4.2 改进的动作值函数概率生成模型 | 第49-51页 |
| 4.3 GPOPAC算法 | 第51-53页 |
| 4.4 实验结果及分析 | 第53-57页 |
| 4.4.1 实验描述 | 第53-54页 |
| 4.4.2 实验设置 | 第54-55页 |
| 4.4.3 实验结果及分析 | 第55-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 本文工作总结 | 第58-59页 |
| 5.2 本文工作展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间公开发表(录用)的论文与科研项目 | 第65-66页 |
| 致谢 | 第66-68页 |
