基于不确定性的深度强化学习探索方法综述
Exploration approaches in deep reinforcement learning based on uncertainty: a review
北京理工大学 计算机学院, 北京 100081
摘要
深度强化学习（DRL）近年来在诸多复杂序列决策问题场景中（如游戏人工智能、无人驾驶、机器人和金融等）都取得了重要的成就。然而，在诸多现实场景中，深度强化学习的应用面临着采样成本高昂、效率低下的问题。场景中无处不在的不确定性是影响采样效率的重要原因，基于不确定性的深度强化学习探索方法成为解决上述问题的重要手段。首先简要介绍了深度强化学习中的重要概念和主流算法，列举了三种经典探索方法，并对这些方法面对复杂场景时的不足之处进行了总结；之后，介绍了不确定性的概念，以及将不确定性引入DRL探索问题研究的背景，在此基础上进行了归纳整理，将基于不确定性的探索方法分为基于乐观性、基于环境不确定性、基于偶然不确定性三种形式，详细梳理了各类方法的基本原理和优缺点；最后，展望了基于不确定性的深度强化学习探索研究的挑战与可能的发展方向。
出版信息
DOI: 10.19734/j.issn.1001-3695.2023.03.0130
出版期卷: 《计算机应用研究》 印刷出版, 2023年第40卷 第11期
所属栏目: 综述评论
出版页码: 3201-3210
文章编号: 1001-3695(2023)11-001-3201-10
发布历史
引用本文
逄金辉, 冯子聪. 基于不确定性的深度强化学习探索方法综述 [J]. 计算机应用研究, 2023, 40 (11): 3201-3210. (Pang Jinhui, Feng Zicong. Exploration approaches in deep reinforcement learning based on uncertainty: a review [J]. Application Research of Computers, 2023, 40 (11): 3201-3210. )
关于期刊
- 计算机应用研究 月刊
- Application Research of Computers
-
刊号
ISSN 1001-3695
CN 51-1196/TP
《计算机应用研究》创刊于1984年，是由四川省科技厅所属四川省计算机研究院主办的计算技术类学术刊物。
《计算机应用研究》瞄准本学科领域迫切需要的前沿技术，及时反映国内外计算机应用研究的主流技术、热点技术及最新发展趋势。主要刊载内容包括本学科领域高水平的学术论文、本学科最新科研成果和重大应用成果。栏目内容涉及计算机学科新理论、计算机基础理论、算法理论研究、算法设计与分析、区块链技术、系统软件与软件工程技术、模式识别与人工智能、体系结构、先进计算、并行处理、数据库技术、计算机网络与通信技术、信息安全技术、计算机图像图形学及其最新热点应用技术。
《计算机应用研究》拥有众多高层次读者、作者，读者对象主要为从事计算机学科领域高、中级研究人员及工程技术人员，各高等院校计算机专业及相关专业的师生。多年来《计算机应用研究》的总被引频次及Web下载率一直名列本学科同类学术刊物前茅，所刊发的学术论文以其新颖性、学术性、前瞻性、导向性、实用性而备受广大读者的喜爱。
收录和评价
- 第二届国家期刊奖百种重点期刊
- 中国期刊方阵双效期刊
- 全国中文核心期刊（北大2023年版）
- 中国科技核心期刊
- 中国科学引文数据库(CSCD)来源期刊
- RCCSE中国核心学术期刊
- 中国计算机学会会刊
- 2020—2022年科技期刊世界影响力指数(WJCI)报告收录期刊
- 中国科技期刊精品数据库全文来源期刊
- 中国学术期刊综合评价数据库来源期刊
- 《中国期刊网》《中国学术期刊(光盘版)》来源期刊
- 2017—2019年中国国际影响力优秀学术期刊(自然科学与工程技术)
- 中国精品科技期刊顶尖学术论文(F5000)项目来源期刊
- 《中国工程技术电子信息网》《电子科技文献数据库》来源期刊
- 英国《科学文摘》(INSPEC)来源期刊
- 《日本科学技术振兴机构数据库》(JST)来源期刊
- 俄罗斯《文摘杂志》(AJ, VINITI)来源期刊
- 美国《艾博思科学术数据库》(EBSCO)全文来源期刊
- 美国《剑桥科学文摘(自然科学)》(CSA(NS))核心期刊
- 波兰《哥白尼索引》(IC)来源期刊
- 美国《乌利希期刊指南(网络版)》(Ulrichsweb)收录期刊
