研究文章
有效的强化学习从演示通过贝叶斯网络知识提取
|
输入:知识模块与参数从算法1随机初始化优化模块与参数
,缓冲
,更新间隔
,阈值
,和剪切参数
。 |
|
输出:学(附近)的最优混合策略
。 |
| (1) |
步伐 |
| (2) |
为集E= 1:做 |
| (3) |
初始化状态 |
| (4) |
而
不是终端状态做 |
| (5) |
步伐 |
| (6) |
计算决策向量的信心 |
| (7) |
完善决策的信心得到基于方程(18RLBNK-concat) () |
| (8) |
|
| (9) |
执行这个动作
,然后接收即时奖励并运输到下一个状态 |
| (10) |
如果这个动作
来自
然后 |
| (11) |
商店在 |
| (12) |
结束 |
| (13) |
|
| (14) |
如果t模
= 0然后 |
| (15) |
火车优化模块的在方程(21)- (23) |
| (16) |
清除缓冲区 |
| (17) |
步伐 |
| (18) |
结束 |
| (19) |
结束 |
| (20) |
结束 |
|
