基于搜索熵的强化学习搜索策略分析及算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状及分析 | 第12-16页 |
| 1.2.1 强化学习的研究现状及分析 | 第12-15页 |
| 1.2.2 搜索策略的研究现状及分析 | 第15-16页 |
| 1.3 论文的结构安排 | 第16-18页 |
| 第二章 强化学习 | 第18-28页 |
| 2.1 强化学习的理论基础 | 第18-23页 |
| 2.1.1 马尔可夫决策过程 | 第19-20页 |
| 2.1.2 强化学习的模型 | 第20-23页 |
| 2.2 强化学习中的经典算法 | 第23-27页 |
| 2.2.1 瞬时差分算法 | 第24-25页 |
| 2.2.2 Q-Learning算法 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 搜索熵 | 第28-46页 |
| 3.1 搜索策略 | 第28-34页 |
| 3.1.1 搜索与利用的平衡 | 第28-30页 |
| 3.1.2 典型搜索策略 | 第30-34页 |
| 3.2 搜索熵 | 第34-40页 |
| 3.2.1 熵：从热力学到信息学的物理量 | 第34-37页 |
| 3.2.2 搜索熵定义及性质 | 第37-40页 |
| 3.3 搜索熵在算法分析中的应用 | 第40-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第四章 仿真实验 | 第46-67页 |
| 4.1 实验一：马尔可夫状态转移问题 | 第46-56页 |
| 4.1.1 盲贪心策略 | 第48-49页 |
| 4.1.2 贪心策略 | 第49-51页 |
| 4.1.3 混合贪心策略 | 第51-52页 |
| 4.1.4 Softmax方法 | 第52-54页 |
| 4.1.5 概率分布动作选择机制 | 第54-56页 |
| 4.2 实验二：自旋量子系统的学习控制问题 | 第56-65页 |
| 4.2.1 盲搜索策略 | 第58-59页 |
| 4.2.2 贪心策略 | 第59-61页 |
| 4.2.3 混合贪心策略 | 第61-63页 |
| 4.2.4 概率分布动作选择机制 | 第63-65页 |
| 4.3 实验结论 | 第65-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
