LEARNING, EXPLORATION AND CHAOTIC POLICIES
LEARNING, EXPLORATION AND CHAOTIC POLICIES
复制标题
学习、探索和混乱政策
DOI：
10.1142/s0129183100001309
复制
发表时间：
2000
影响因子：
1.9
通讯作者：
M. K. Ali
中科院分区：
文献类型：
--
作者：
A. Potapov;M. K. Ali
我们考虑强化学习中不同版本的探索。对于测试问题，我们使用快捷迷宫中的导航。结果表明，混沌的贪婪策略可能是有效的随机之一。用一个模型混沌神经元得到了最好的结果。因此，探索策略可以在神经网络等确定性学习系统中实现。
We consider different versions of exploration in reinforcement learning. For the test problem, we use navigation in a shortcut maze. It is shown that chaotic ∊-greedy policy may be as efficient as a random one. The best results were obtained with a model chaotic neuron. Therefore, exploration strategy can be implemented in a deterministic learning system such as a neural network.