动态展开所有_【强化学习与最优控制】笔记（三）动态规划求解实际问题举例...

最新推荐文章于 2023-12-08 21:01:26 发布
最新推荐文章于 2023-12-08 21:01:26 发布
阅读量504 收藏 2
点赞数
文章标签： 动态展开所有
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_32227927/article/details/112720983
版权
这篇笔记介绍了动态规划在最短路问题中的应用，通过实例展示了如何利用动态规划算法找到图中两个节点之间的最短路径。此外，还探讨了动态规划在解决组合优化问题上的潜力，尽管这类问题是NP-hard，但可以通过近似方法结合数学优化技术。最后，文章提到了Linear Quadratic Optimal Control在钢铁生产加热炉控制中的应用，展示了动态规划在实际控制系统中的重要性。
摘要由CSDN通过智能技术生成

a0c341ea35d4b7e70561ddee52947b9d.png

本笔记对应教材中1.3节的内容，这一章所有的例子都围绕前面二节所讲的动态规划算法的核心公式：

前两期的回顾，没有看或者忘记的童鞋可以复习一下：

王源：【强化学习与最优控制】笔记（一）确定性问题的动态规划

王源：【强化学习与最优控制】笔记（二）随机性问题的动态规划

1 最短路问题

最短路问题定义：在一个图中求2个节点之间最短的路径。

最短路问题一般需要假设图中所有的圈的路径非负。因为如果有负的圈的话一直在这个圈子里绕就可以让路径趋于无穷小。

43790c537b9833c08a4aac212a403937.png
图1.1

如上图中（a）所示是给出的无向图，节点5是我们的终点，节点1,2,3,4是起点。在这个最短路问题中比较关键的问题是如何定义stage？

定义为从节点
出发经过N-k个节点到终点
的最优路径长度，其中N为总节点数，

由此可得DP的递推公式

（1.1）

（1.2）

这里需要注意的是因为最短路径所经过的节点数我们事先并不知道，如果拿经过节点数目作为stage的数目的话是比较困难的。因此我们在式（1.1）的

集合中除了要包含和节点
相连的所有节点
最低0.47元/天 解锁文章
符文图腾
关注
StableBaselines3：强化学习算法库
AI天才研究院
04-29 1834
随着人工智能技术的快速发展，强化学习（Reinforcement Learning, RL）作为一种重要的机器学习方法，已经在许多领域中取得了显著的成果。RL算法通过与环境的交互，学习如何在不同的状态下采取最佳行动，从而最大化累积回报。然而，RL算法的实现和调试过程通常非常复杂，需要大量的实验和调整。为了解决这一问题，StableBaselines3应运而生，它是一个开源的强化学习算法库，旨在为研究人员和工程师提供一个易于使用且功能强大的工具。
—【动态规划】凸多边形最优三角剖分
hggjgff的博客
11-09 954
—【动态规划】凸多边形最优三角剖分
C# 动态 条件 组合_【强化学习与最优控制】笔记（三）动态规划求解实际问题举例...
weixin_40004502的博客
11-02 512
本笔记对应教材中1.3节的内容，这一章所有的例子都围绕前面二节所讲的动态规划算法的核心公式： 前两期的回顾，没有看或者忘记的童鞋可以复习一下：王源：【强化学习与最优控制】笔记（一）确定性问题的动态规划 王源：【强化学习与最优控制】笔记（二）随机性问题的动态规划1 最短路问题最短路问题定义：在一个图中求2个节点之间最短的路径。最短路问题一般需要假设图中所有的圈的路径非负。因为如果有负的圈的话一直在...
动态规划-凸多边形最优三角剖分
11-16
问题描述：描述了凸多边形最优三角剖分的问题背景 使用C++，实现了凸多边形最优三角剖分，有足够的注释 内含可执行程序
凸多边形最优三角剖分——动态规划
wode的专栏
09-19 2671
解答：题目中顶点坐标编号从1开始，为了方便编程，将顶点从0开始，顶点的编号变为0到7。定义t[i][j]，0= 由于退化的两点多边形{Vi,Vi+1}的权值为0，t[i][i]=0。最优子结构的性质，t[i][j]的值是t[i][k]的值加上t[k][j]的值，再加上三角形ViVkVj的权值，其中，i t[i][j]=t[i][k]+t[k][j]+w(i,k,j) (j-i>=2)
David Silver-强化学习笔记【1.强化学习介绍】
weixin_41577426的博客
05-30 826
David Silver-强化学习笔记【1.强化学习介绍】1.1 强化学习特点1.2 RL相关术语1.2.1 reward1.2.2 environment1.2.3 state 1.1 强化学习特点 不存在监督者，训练过程就是试错的过程，根据奖励信号指导行为，不需要提前知道环境的信息（比如不需要提前知道游戏的信息，通过试错知道如何获得高分）。 反馈可能存在延时，一个episode结束后才修正决策，并不是立马修正。（也可以即时反馈吧？） 研究时间序列的行为，而不是独立同分布的数据。需要一个动态的系统，a
学习笔记3：深度学习与强化学习知识点学习总结
Zachery的博客
11-26 1291
学习目标： “深度”：神经网络的层数更多，每层神经元个数更多 架构：生成对抗网络：（Generative Adversarial Networks）,循环神经网络（Recurrent Neural Networks）,图卷积神经网络（Graph Convolutional Neural Networks ） 领域：图像处理、视频分析、自然语言处理、视频监控、人脸识别、医学图像分析、人机交互、机器人设计等。 TensorFlow:AlphaGo背后的机器学习计算框架，将数据流图作为基础，图节点代表运算
《深入浅出强化学习原理入门》学习笔记（四）基于模型的动态规划方法
lxs3213196的博客
11-27 549
《深入浅出强化学习原理入门》学习笔记（四）基于模型的动态规划方法值函数计算高德-赛德尔迭代求解值函数线性方程策略评估算法利用值函数进行策略改善，找到最优策略策略迭代算法值函数迭代算法最优控制 强化学习的直观目标是找到最优策略，目的是更好地完成任务。回报函数对应着具体的任务，所以强化学习所学到的最优策略是与具体的任务相对应的。从这个意义上来说，强化学习并不是万能的，它无法利用一个算法实现所有的任务。 从广义上讲，强化学习可以归结为序贯决策问题，即找到一个决策序列u0*-u1*-u2*-u3*-----uτ*使
David Silver强化学习公开课自学笔记——Lec3动态规划
weixin_43986879的博客
11-28 328
David Silver强化学习公开课自学笔记——Lec3动态规划
凸多边形最优三角剖分（动态规划）
qq_38010909的博客
01-20 3049
题目描述： 用多边形顶点的逆时针序列表示凸多边形，即P={v0,v1,…,vn-1}表示具有n条边的凸多边形。      给定凸多边形P，以及定义在由多边形的边和弦组成的三角形上的权函数w。要求确定该凸多边形的三角剖分， 使得即该三角剖分中诸三角形上权之和为最小。 解题思路： 　　 若凸(n+1)边形P={v0,v1,…,vn-1}的最优三角剖分T包含三角形v0vkvn
凸多边形最优三角剖分-动态规划
Limbos的博客
09-20 4725
凸多边形最优分割是典型的动态规划问题 凸多边形最优剖分：给定凸多边形，以及定义在由多边形的边和弦上的权函数，使得该多边形三角剖分后所有三角形权值之和为最小。 思路：先将多边形三角剖分 2、最优子结构性质：      若凸(n+1)边形P={V0,V1……Vn}的最优三角剖分T包含三角形V0VkVn,10VkVn的权，多边形{V0,V1……Vk}的最优三角剖分权值和多边形{V
动态规划：凸多边形最优三角剖分
mirocky的博客
02-09 2313
大家好，我是连人，本期接着说动态规划的问题。 这是一个凸多边形。对于这个凸多边形，我们可以将弦连接，将其分为多个三角形。 那么问题来了，怎么做才能使这些三角形的权值之和最小呢？ 在这里，权值可以是任何和弦长，边长有关的权函数，一般来说，我们使用三角形的边长作为权值。 ...
动态规划--凸多边形最优三角剖分
weixin_44721537的博客
01-24 1270
（1）问题描述 就是把一个n边凸多边形划分成全都化成三角形(n-2)，然后算所有三角形的周长加起来总的最小的(公共弦得重复计算)。 （2）基本思路 最小的大凸多边形等于 “左子多边形的最小” + “右子多边形的最小” + “中间的三角形”；以此递归下去。 （3）代码实现 public class fuck { private int n; // n凸多边形的边长 privat...
动态规划 凸多边形最优三角剖分
最新发布
计算机
12-08 320
若用m[i][j]的值表示凸多边形{vi-1,vi,...,vj}三角剖分的权重之和的最小值，那么两个子问题{vi-1,vi,...,vk}和{vk,vk+1,...,vj}对应的最优权值分别是m[i][k]、m[k+1][j]，中间三角形vi-1vkvj的权值为。问题描述：给定凸多边形P={v0,v1,...,vn-1},以及定义在由凸多边形的边和弦组成的三角形上的权函数w，要求确定该凸多边形的三角剖分，使得该三角剖分所对应的权，即三角剖分中诸三角形上权之和为最小。
动态规划-凸多边形最优三角形剖分
哈哈哈哈哈哈哈哈的博客
04-17 2046
最优子结构： 假设 v0 vn vk 是包含在最优解中， t [ i ] [ j ] { vi-1, vi ……vj }的最优解 原问题： t [1] [n]
【算法设计与分析】 凸多边形最优三角剖分（动态规划）
weixin_46283740的博客
05-03 2296
【算法设计与分析】 凸多边形最优三角剖分（动态规划） 【问题描述】 使用动态规划算法解凸多边形最优三角剖分问题，具体来说就是，依据递归式，按照顺序求得子问题，使得该三角剖分中诸三角形上权之和为最小。 【输入形式】 在屏幕上输入凸多边形顶点个数和顶点坐标。 【输出形式】 最优三角剖分后的三角形顶点。 【样例输入】 7 8 26 0 20 0 10 10 0 22 12 27 21 15 26 【样例输出】 012 234 024 456 046 【样例说明】 输入：顶点个数为7，每一行为一个顶点坐标(x,
Vue.js动态数据绑定详解与实现路径
本篇学习笔记主要探讨了Vue.js的动态数据绑定原理，作者通过自身经历，描述了从困惑到理解的过程。动态数据绑定是Vue的核心特性之一，它实现了数据与视图的自动同步，确保UI的变化基于数据的变化。 首先，理解动态...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值