Reinforcement
Purposive Learning
Observational Learning
Propagation of Action Potentials
Multi-input and Multi-variable systems
Reinforcement Schedules
您也可能阅读
通过共同作者、期刊和引用图与本文相关的文章。
Shengze Li1, Hao Jiang1, Yuntao Liu1
1Academy of Military Science, Beijing, 100000, China.
本研究引入了一种新的潜在场子基于子目标的多代理强化学习 (PSMA) 方法,以统一多代理强化学习 (MARL) 中的学习目标. 通过使用潜在的子目标生成和实现领域,PSMA提高了在稀疏奖励任务中的代理学习速度和有效性.
科学领域:
背景情况:
研究的目的:
主要方法:
主要成果:
结论: