★ 2
论文提出 DMDP 框架稳定强化学习状态分布
论文提出基于差异的马尔可夫决策过程（DMDP），将策略作用于当前状态分布并以与目标分布的差异为目标，学习能稳定状态分布的策略。研究给出最优策略使目标分布渐近稳定的充分条件，并推导学习与估计误差对稳定性保证的影响。方法在 PPO 与 SAC 上实现，并在 HalfCheetah 任务上验证分布反馈的…
arXiv cs.LG11 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文提出基于差异的马尔可夫决策过程（DMDP），将策略作用于当前状态分布并以与目标分布的差异为目标，学习能稳定状态分布的策略。研究给出最优策略使目标分布渐近稳定的充分条件，并推导学习与估计误差对稳定性保证的影响。方法在 PPO 与 SAC 上实现，并在 HalfCheetah 任务上验证分布反馈的…