| 一种基于案例推理的多agent强化学习方法研究 |
| |
| 引用本文： | 李珺,潘启树,洪炳殚. 一种基于案例推理的多agent强化学习方法研究[J]. 机器人, 2009, 31(4): 1 |
| |
| 作者姓名： | 李珺 潘启树 洪炳殚 |
| |
| 作者单位： | 哈尔滨工业大学计算机科学与技术学院,黑龙江,哈尔滨,150001;哈尔滨工业大学计算机科学与技术学院,黑龙江,哈尔滨,150001;哈尔滨工业大学计算机科学与技术学院,黑龙江,哈尔滨,150001 |
| |
| 基金项目： | 国家高技术研究发展计划(863计划) |
| |
| 摘 要： | 提出一种基于案例推理的多agent 强化学习方法．构建了系统策略案例库，通过判断agent 之间的协作关系选择相应案例库子集．利用模拟退火方法从中寻找最合适的可再用案例策略，agent 按照案例指导执行动作选择．在没有可用案例的情况下，agent 执行联合行为学习（JAL）．在学习结果的基础上实时更新系统策略案例库．追捕问题的仿真结果表明所提方法明显提高了学习速度与收敛性．
|
| 关 键 词： | 多agent强化学习 Q学习 策略再用 基于案例的推理 追捕问题 |
A CBR-Based Multiagent Reinforcement Learning Approach |
| |
| LI Jun,PAN Qi-shu,HONG Bing-rong. A CBR-Based Multiagent Reinforcement Learning Approach[J]. Robot, 2009, 31(4): 1 |
| |
| Authors: | LI Jun PAN Qi-shu HONG Bing-rong |
| |
| Affiliation: | School of Computer Science and Technology;Harbin Institute of Technology;Harbin 150001;China |
| |
| Abstract: | A multiagent reinforcement learning approach based on CBR(case-based reasoning) is proposed.The system policy case library is built,and the relevant policy case subset is chosen by judging the cooperation relationship between the agents.Simulated annealing is used to find the fittest and reuseful case policy,and then the agents choose their actions based on the case.And if there is no practicable case in the case library,the agents carry out joint action learning(JAL).The system policy case library can be u... |
| |
| Keywords: | multiagent reinforcement learning Q-learning policy reuse case-based reasoning (CBR) pursuit problem |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
| 点击此处可从《机器人》浏览原始摘要信息 |
|
点击此处可从《机器人》下载全文 |
