强化学习是机器学习的一个范式和方法开发的计算智能社区。它是用来描述和解决问题代理收益最大化或通过学习策略的过程中实现特定的目标与复杂的环境的交互。强化学习的目标是得到最好的解决当前的问题通过奖励和惩罚:通过奖励好的策略和惩罚坏的战略,不断加强的过程,最终得出最好的解决方案。在某种程度上,它已经关闭连接的自适应控制和优化。

更一般的情况,强化学习和自适应优化目前的一个重大的挑战在复杂的动态系统。的过程控制复杂的动态系统和工厂,或部分,包括各种各样的挑战方面,强化学习算法需要解决的问题。处理复杂的工业过程可能涉及计算机通信、复杂网络、连续状态和行动空间,高维动态,部分可观测的状态空间,异方差的传感器噪声引起的随机性和潜变量,延迟特性,和不稳定的最佳的转向,即最优政策不会方法固定的操作点。

这个特殊问题的目的是汇集工作强化学习和自适应优化的复杂动态系统和工业应用。我们邀请作者贡献的原始研究的文章以及相关评论文章的所有方面强化学习算法,复杂的动态建模、优化理论、最优控制方法、信号处理和实际应用。特别感兴趣的是论文致力于复杂的工业应用的发展。论文提出的计算问题,搜索策略,造型和解决方案技术实际工业问题也欢迎。

潜在的主题包括但不限于以下:

• 强化学习算法在复杂的动力学
• 迭代学习和自适应复杂系统的优化
• 决定在复杂的优化过程
• 无人驾驶系统控制和计算机通信
• 多智能体强化学习和控制
• 神经网络和自适应优化系统
• 模糊动态系统和自适应优化
• 数据驱动的建模、控制和优化
• 信号处理和优化
• 复杂的过程控制和优化
• 复杂的工业过程和应用程序