实体
Acrobot-v1
Acrobot-v1
PulseAugur coverage of Acrobot-v1 — every cluster mentioning Acrobot-v1 across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的PPO变体动态调整裁剪以改进强化学习
研究人员推出了一种名为Dual-Adaptive Z-Score PPO (PPO-DAZ3) 的新型Proximal Policy Optimization算法变体，旨在动态调整其裁剪阈值。与使用固定阈值的标准PPO不同，PPO-DAZ3根据动作置信度和归一化优势幅度计算依赖于样本的阈值。在LunarLander-v3、CartPole-v1和Acrobot-v1等经典控制基准上的评估表明，这种自适应方法可以改进学习，尤其是在更具挑…
-
EliteTable算法使用LLM改进用于控制任务的程序搜索
研究人员开发了EliteTable，一种新颖的自改进程序搜索算法，该算法利用大型语言模型（LLM）来提高控制任务的性能。该算法使用固定容量的表来存储高分解决方案，然后指导生成新提案、编辑和现有解决方案的混合。在六个Gymnasium控制任务上的评估表明，所有任务的候选分数都有所提高，大多数任务的选定获胜者分数也有所提高，在CartPole-v1任务上取得了显著成功，在第一代就达到了上限。
-
通过丢弃冗余状态转移来稳定PPO训练
研究人员开发了一种通过从同策略（on-policy）的rollout中随机丢弃一部分转移来提高强化学习训练稳定性的方法。该技术应用于Proximal Policy Optimization (PPO)，打破了由因果链式状态引起的重复梯度结构。通过丢弃约25%的转移，该方法在保持奖励性能的同时，在各种指标上产生了更一致的训练动态。