零阶学习分类元系统ZCS（Zeroth-level Classifier System）作为一种基于遗传的机器学习技术（Genetics-Based Machine Learning），在解决多步学习问题上，已展现出应用价值。然而标准的ZCS系统采用折扣奖赏强化学习技术，难于适应更为广泛的应用领域。基于ZCS的现有框架，提出了一种采用平均奖赏强化学习技术（R-学习算法）的分类元系统，将ZCS中的折扣奖赏强化学习方法替换为R-学习算法，从而使ZCS一方面可应用于需要优化平均奖赏的问题领域，另一方面则可求解规模较大、需要动作长链支持的多步学习问题。实验显示，在多步学习问题中，该系统可给出满意解，且在维持动作长链，以及克服过泛化问题方面，具有更优的特性。
2022-05-22 10:50:16
644KB
1
人工智能-机器学习-融合智能优化算法的Snake模型变形体碰撞检测算法研究.pdf
2022-05-22 10:05:45
2.5MB
1
在线学习算法
在专家建议下的在线学习环境中实施一些在线算法：
外部后悔最小化：指数加权平均预报员
内部后悔最小化：切萨·比安奇和卢戈斯减少了外部后悔最小化（第4章）
在线校准：通过内部后悔最小化
在线重新校准：使用在线校准方法作为子例程
有关如何运行算法的详细信息，请参见./examples文件夹。
2022-05-21 12:10:35
9KB
1
人工智能-机器学习-磨矿过程序贯模块仿真方法中的迭代收敛算法及软件实现.pdf
2022-05-19 10:06:54
4.61MB