arXiv:2311.07315v3 [q-bio.NC] 2024 年 12 月 18 日__

arXiv:2311.07315v3 [q-bio.NC] 2024 年 12 月 18 日

可下载资源数量

已经购买

下载数量：1

单价	0 3.0
Coupon	100% 0%
Total	0 3.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arXiv:2311.07315v3 [q-bio.NC] 2024 年 12 月 18 日

¥ 3.0

热度

图 E 1 强化学习问题和悬崖世界环境。 (A) 代理（这里是小鸟）与世界互动以最大化奖励。这涉及探索可能有趣的新状态（例如在新田野中寻找食物）与利用已知可产生高奖励的状态（例如昨天有很多虫子的田野）之间的平衡。在给定的时间点，小鸟处于某个状态 st ，它可以从该状态 st 采取行动 at ，不同行动的概率由代理控制的“策略”π（a | st）决定。然后，at 会导致环境根据不可控环境动态 st + 1 , rt ∼ p（s，r | st，at）发生变化。这里，rt 是代理收到的经验“奖励”，其目标是收集尽可能多的累积奖励。强化学习问题通常分为“情节”，代理在多次重复接触环境的过程中进行学习。例如，这可能包括鸟类在多天内学习哪些田地可能富含食物，同时尽量减少行进距离和暴露于捕食者。（B）“悬崖世界”环境，将用于展示本研究中一系列强化学习算法的性能和行为。代理从左下角（位置 [0, 0]）开始，当遇到“悬崖”（深蓝色）或目标（黄色；位置 [9,0]）时，情节结束。如果代理走出悬崖，它将获得 -100 的奖励。如果它找到目标，它将获得 +50 的奖励。在任何其他状态下，它将获得 -1 的奖励。这种对“中性”行为的负面奖励通常用于鼓励代理尽快实现其目标。箭头表示“最佳”策略，该策略让代理通过避开悬崖的最短路线到达目标。

添加pdf代下载 VIP点击下载文件