机构名称：
¥ 1.0
这项研究研究了在两个不同的马尔可夫决策过程（MDP）环境中应用了四个强化学习（RL）算法的算法（RL）算法的表现：交通交叉点问题和仓库机器人问题。在交通交叉点问题中，发现策略的收敛速度快于价值迭代，而Q学习的速度比SARSA更快。在仓库机器人问题中，Q学习和SARSA都成功地学习了导航策略，而Q学习更具对环境变化的支持。研究表明，RL算法对重要的MDP参数（例如折现因子，过渡概率和奖励功能）高度敏感，这意味着需要仔细调整这些参数。此外，该研究还探讨了计划者与代理商之间的权衡，从而在融合，稳定性和效率方面进行了权衡。使用Python和各种库进行实施，这些发现提供了有关如何在动荡的环境中应用RL技术的见解，并建议将来改善算法设计和实现的方法。
MDP，政策迭代，Q学习和SARSA -Elijah Adams
主要关键词
相关文件推荐
