【摘要】：隨著強化學(xué)習(xí)的飛速發(fā)展,越來越多的強化學(xué)習(xí)算法涌現(xiàn)出來,對于離散狀態(tài)空間環(huán)境,已經(jīng)有許多成熟的強化學(xué)習(xí)方法,并逐漸應(yīng)用于各行各業(yè)的人工智能體中。但是在連續(xù)狀態(tài)空間領(lǐng)域,強化學(xué)習(xí)的能力仍然捉襟見肘,僅存在一些理論上的研究,并未落地開展實際測試。本課題針對冰壺場地環(huán)境,對連續(xù)狀態(tài)空間下的策略生成方法進(jìn)行了研究,嘗試通過強化學(xué)習(xí)算法生成冰壺的投擲策略,并結(jié)合搜索算法,對冰壺投擲策略進(jìn)行相關(guān)的探索。冰壺場地環(huán)境下,狀態(tài)與動作空間均位于連續(xù)空間,且有多維自由變量,想要將經(jīng)典的強化學(xué)習(xí)算法遷移到此場景中是很難實現(xiàn)的。而且冰壺場地環(huán)境存在許多不確定因素,投擲策略在執(zhí)行時會產(chǎn)生誤差,偏離原定軌跡,也對策略生成算法的能力產(chǎn)生了很大的挑戰(zhàn)。本文利用多種方法對冰壺投擲策略生成方法進(jìn)行了研究,主要研究內(nèi)容如下:(1)冰壺仿真對抗平臺建設(shè)。首先需要將冰壺比賽場景轉(zhuǎn)化為合理的動力學(xué)模型。將實際場景轉(zhuǎn)化為動力學(xué)模型,不僅要合理的設(shè)計系統(tǒng)的狀態(tài)與動作,還要考慮投擲誤差對場景及算法的影響。其次進(jìn)行冰壺仿真對抗平臺前端的設(shè)計。冰壺仿真對抗平臺前端用于接收用戶輸入,并將設(shè)計成型的數(shù)學(xué)模型直觀的展現(xiàn)出來,對冰壺投擲進(jìn)行可視化處理。最后完成對冰壺仿真對抗平臺后臺的體系架構(gòu)。后臺將投擲過程中的滑行過程與碰撞過程以數(shù)據(jù)的方式進(jìn)行記錄,并能夠執(zhí)行回放、撤銷等功能。冰壺仿真對抗平臺是冰壺投擲策略生成所依靠的必要基礎(chǔ),為冰壺投擲策略生成提供海量的數(shù)據(jù)參考與支持。(2)設(shè)計冰壺投擲策略生成算法。首先應(yīng)對PSO粒子群算法進(jìn)行了合理的優(yōu)化,調(diào)整到合適的參數(shù),保證其在有限時間內(nèi)生成可靠的投擲策略;其次嘗試將蒙特卡洛樹與監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)結(jié)合起來,探尋投擲策略的生成模式;最后設(shè)計強化學(xué)習(xí)算法結(jié)構(gòu)的四要素:策略、回報函數(shù)、動作值函數(shù)和環(huán)境數(shù)學(xué)模型。只有建立合適的數(shù)學(xué)模型,設(shè)計合理的回報函數(shù),計算機才能夠通過強化學(xué)習(xí)算法訓(xùn)練得到最優(yōu)策略。(3)冰壺對抗策略的量化分析。各國家運動員依靠比賽經(jīng)驗制定了許多冰壺投擲策略,可以將其與強化學(xué)習(xí)生成的投擲策略進(jìn)行比較,互相借鑒,互相進(jìn)步。既通過已有的比賽策略經(jīng)驗對強化學(xué)習(xí)算法進(jìn)行適當(dāng)?shù)男薷?又可以將強化學(xué)習(xí)算法生成的投擲策略供給運動員作為比賽參考。
【圖文】：

SARSA 學(xué)習(xí)更新 Q 函數(shù)時需要用到( , , , ′,的名字 SARSA。與 Q-learning 相同，SARSA精確 Q 值并輸出確定性策略方案[12]。習(xí)方法應(yīng)用于各種離散狀態(tài)空間的系統(tǒng)中，當(dāng)強化學(xué)習(xí)的方法也已取得一些成果。最典型的題，通過控制小車的移動來維持車上擺桿的平-learning 算法[13]，并對倒立擺進(jìn)行了仿真控態(tài)離散化，，再使用可以處理離散空間的 Q-lea空間的倒立擺平衡控制[14]。Anderson 等人通過的函數(shù)擬合，并采用 AHC(Adaptive Heuristic散化處理的情況下完成了倒立擺的平衡控制果。之后研究者又探索了其他領(lǐng)域，Koutnik開發(fā)了連續(xù)狀態(tài)空間下的強化學(xué)習(xí)系統(tǒng)[16-17]，神經(jīng)網(wǎng)絡(luò)結(jié)合起來，成功實現(xiàn)了賽車游戲中的

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文1.2.2 深度強化學(xué)習(xí)近年來隨著深度學(xué)習(xí)的快速發(fā)展，國內(nèi)外學(xué)者將離散空間下的強化學(xué)習(xí)算法與深度學(xué)習(xí)相結(jié)合[18-20]，進(jìn)行了諸多的研究與創(chuàng)新，目前已取得大量成果：2013 年 Mnih 等人提出了深度強化學(xué)習(xí)的開創(chuàng)性工作深度 Q 網(wǎng)絡(luò)(DQN)[21]，通過深度神經(jīng)網(wǎng)絡(luò)對 Q 函數(shù)進(jìn)行函數(shù)逼近，在視頻游戲 Atari 等領(lǐng)域取得突破。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：G862.6;TP181

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 張平,斯特凡·卡紐;在加強型學(xué)習(xí)系統(tǒng)中用偽熵進(jìn)行不確定性估計(英文)[J];控制理論與應(yīng)用;1998年01期

本文編號：2675769