Collaborative Evolutionary Reinforcement Learning

最新推荐文章于 2022-09-29 20:02:27 发布
最新推荐文章于 2022-09-29 20:02:27 发布
阅读量775 收藏 4
点赞数 3
分类专栏： 强化学习 论文
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_43897187/article/details/115009203
版权

论文链接：论文传送门
官方pytorch代码实现：代码传送门

介绍

这篇论文是我之前发的ERL论文的改进版本（ERL介绍链接）这篇文章提出的核心要点可以总结为两个：
1.不同的策略都共享同一经验池的经验，提高采样效率
2.多个未来折扣率不同的Critic对Actor策略进行指导，从而提供更多样化探索，能更好的在策略空间进行探索

原理

1.概念介绍
为了更好的理解CERL框架，我们可以回想一下当初讲ERL的时候，ERL是进化算法和强化学习的结合，其中强化学习部分采用的是DDPG，也就是一对actor网络和一对critic网络。而现在CERL就是对ERL中强化学习部分进行了改进，把DDPG这部分只由一对actor和critic网络给换成了多对。每一对的未来收益折扣率不相等。这就是这个方法的改进。可以结合下面这张图来理解上面这段文字。
在这里插入图片描述

接下来，用上面画的CERL示意图，来说明论文当中的一些名词和概念。
1.先看那一对对的critic和actor，每一对criti

最低0.47元/天 解锁文章
A Guide Resource for Deep Reinforcement Learning
AI拉呱，专注于人工智与网络安全方面的研究，关注一起学习。
12-24 867
A Guide Resource for Deep Reinforcement Learning 1. About this work: This deep intensive learning database was initiated by the 【 Deep Reinforcement Learning Laboratory(DeepRL-Lab) 】and was jointly c...
AAMAS 2021 强化学习论文70篇（自整理）
LoveMQ_919的博客
03-18 4283
AAMAS 2021 强化学习论文
Proximal Distilled Evolutionary Reinforcement Learning
weixin_43897187的博客
03-08 846
论文：传送门 介绍 上一篇讲的进化强化学习ERL（evolutionary reinforcement learning）是简单的将进化算法和强化学习算法进行结合。 而本文则是对这种结合提出了几个改进，并将改进方法命名为Proximal Distilled Evolutionary Reinforcement Learning 背景 在传统的进化算法与强化学习算法结合后，进化算法当中的种群的个体是神经网络。因此，我们需要对神经网络进行交叉和变异。而本文认为传统的n点交叉和高斯变异着两个遗传算子不使用于神经网
ERL（evolutionary reinforcement learning）
weixin_43897187的博客
03-08 3108
论文：Evolution-Guided Policy Gradient in Reinforcement Learning 原文链接：传送门 1.介绍 现在各种方法的结合成为了很好的研究方向。之前我发的“Learning Off-Policy with Online Planning”就是有模型和无模型强化学习方法的结合。本文则是进化算法和强化学习的结合。 值得注意的是，之前已经有人将进化算法作为解决强化学习问题的一种方法了（论文），但是之前并没有与原来的强化学习方法进行结合。打个形象的比方：假如之前解决强
2019-arXiv-Collaborative Evolutionary Reinforcement Learning
qq_43280209的博客
09-29 156
CERL
深度进化强化学习第一弹~
qq_38205273的博客
03-21 3539
hello，这是鑫鑫鑫的论文分享站，今天分享的文章是Embodied Intelligence via Learning and Evolution ，这是一篇李飞飞等提出深度进化RL，我们一起看看吧~ 背景介绍：随着强化学习，深度学习的发展，深度强化学习也在逐步发展，最近，李飞飞和其他几名学者提出了一个新的计算框架——深度进化强化学习——Deep Evolutionary Reinforcement Learning (DERL)，基于该框架，具身智能体可以在多个复杂环境中执行多个任务。 深度学.
【Proximal Distilled Evolutionary Reinforcement Learning 的翻译】
dumao0620的专栏
06-22 317
  强化学习在很多复杂环境中由于和 DNNs 结合 取得了显著的效果，与此同时，遗传算法，作为RL 的竞争算法，在 扩展到 DNNs 上 解决一些挑战性 任务的时候却 鲜有成果。和二分法想法的不同的是，在现实世界中， 进化和学习是不断相互作用的互补过程，最近提出的进化强化学习(ERL)框架已经证明了两种方法相结合对性能的共同好处。但是 ERL 没有充分 解决 遗传算法的可扩展问题。   本文中，我们发现，这个问题的根源在于dnn的简单遗传编码和传统的生物变异算子 不幸结合。当应用于这些编码时，标准算子是破坏
Collaborative Deep Reinforcement Learning For Photo Comopsition
02-08
### 合作深度强化学习在图像裁剪中的应用 #### 摘要 本文提出了一种基于合作深度强化学习（CDRL-RC）的自动图像构图方法。该方法通过强化学习将图像构图建模为马尔科夫决策过程，并通过一系列移动和缩放动作生成...
【文献阅读】进化导向的策略梯度RL
wxmcp3的博客
07-15 1252
Evolution-Guided Policy Gradient in Reinforcement Learning Brief 文章链接 paper 代码链接code 作者 Kagan Tumer作者 另外一个作者是因特尔人工智能研究院的。Intel AI · Ai-Lab 俄勒冈州立大学协作机器人与智能系统研究所 Collaborative Robotics and Intelligent Systems Institute Oregon State University Abstract 文章是在.
ERL:基于探索的强化学习。 （蒙特祖玛复仇）
04-29
ERL 基于探索的强化学习 PixelCNN DQN 的张量流实现。 它使用PixelCNN来衡量一种状态的稀疏性并给出相应的奖励。 DQN DQN从修改而来 像素神经网络 PixelCNN从修改而来 如何使用 ？ python main.py --mode top-pixelcnn或python main.py --mode pixelcnn 要重现args/6744.json的，请运行python main.py --mode top-pixelcnn --test编码器模式尚未验证。 参考 带有
ERL-pytorch:结合进化算法和深度强化学习
05-01
进化强化学习 进化强化学习的Pytorch实现
论文笔记之：Collaborative Deep Reinforcement Learning for Joint Object Search
weixin_34189116的博客
12-08 540
Collaborative Deep Reinforcement Learning for Joint Object Search CVPR 2017 Motivation： 　　传统的 bottom-up object region proposals 的方法，由于提取了较多的 proposal，导致后续计算必须依赖于抢的计算能力，如 GPU 等。...
《Collaborative Deep Reinforcement Learning for Multi-Object Tracking》泛读记录
论文学习笔记-《Fast Online Object Tracking and Segmentation- A Unifying Approach》
07-22 916
文章目录概述方法Prediction network 预测网络Collaborative Deep Reinforcement Learning 概述 一种结合强化学习的多目标跟踪框架，目前Tracking by detection 方法依赖目标检测算法准确性，本文希望使用强化学习设计prediction-decision 网络 prediction 部分预测目标新的位置，decision 决定如...
干货 | 深度强化学习国际顶会ICML-2019最新进展速览—论文PDF打包下载
九三智能控
05-17 3869
今天，你AI了没？关注：决策智能与机器学习，学点AI干货在国际会议上的机器学习（ICML）是一个国际学术会议上机器学习。它是机器学习和人工智能研究中高影响力的两个主要会议...
机器学习——基础概念三：强化学习、进化算法
No_Limits
05-16 3133
文章目录强化学习,Reinforcement Learning强化学习概念强化学习方法汇总Q Learning 强化学习,Reinforcement Learning 强化学习概念 什么是强化学习？让机器自己独立面对一个问题，从什么都不懂，自己慢慢摸索，到最后掌握解决问题的办法。 强化学习具有高分导向性，和监督学习中的标签有些类似。但是又有些区别，区别就在于数据和标签一开始都不存在，需要模型自己来...
神经网络架构搜索（Neural Architecture Search）杂谈
weekdayh的博客
09-02 946
一、背景        机器学习从业者被戏称为“调参工”已经不是一天两天了。我们知道，机器学习算法的效果好坏不仅取决于参数，而且很大程度上取决于各种超参数。有些paper的结果很难重现原因之一就是获得最优超参值往往需要花很大的力气。超参数的自动搜索优化是一个古老的话题了。深度学习兴起前它主要针对传统机器学习算法中的模型超参数，比...
ICLR2020 || 106篇深度强化学习顶会论文汇总
abcdefg90876的博客
04-29 4102
深度强化学习实验室报道转载自：EndtoEnd.ai编辑：DeepRL【导读】今年的ICLR大会转到了线上举行，DeepMind和哈佛的研究人员投稿了一篇神经网络控制虚拟小白鼠模的论文...
顶会速递 | ICLR 2020录用论文之强化学习篇
语言智能技术笔记簿
03-12 5861
人工智能顶会ICLR 2020录用的强化学习相关的研究论文已经为大家准备好了，赶紧Mark学习起来吧！
Reinforcement Learning An Introduction~Elements of Reinforcement Learning
coolsunxu的博客
11-17 336
1.3 强化学习的要素        除了智能体和环境之外，我们还可以识别强化学习系统的四个主要子元素：策略，奖励信号，价值函数，以及可选的环境模型。        策略定义为可以学习的智能体在给定时间的行为方式。粗略地说，策略是从感知的环境状态到在这些状态下要采取的动作的映射。它对应于心理学中所谓的一组刺激响应或关联规则。在某些情况下，策略可以是简单的函数或查找表，而在其他情况下，它可能涉及...
训练第一轮损失值（box_loss、obj_loss、cls_loss）为 nan 以及评估指标（P、R、mAP50、mAP50 - 95）为 0
最新发布
02-20
domain_adaptation 0 --paste_with_semi_supervised_learning 0 --paste_with_active_learning 0 --paste_with_meta_learning 0 --paste_with_reinforcement_learning 0 --paste_with_evolutionary_computation 0 --...
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