强化学习：迈向知行合一的智能机制与算法

王飞跃; 曹东璞; 魏庆来

doi:10.11959/j.issn.2096-6652.202011

您当前的位置：

首页 >

文章列表页 >

强化学习：迈向知行合一的智能机制与算法

评论智能 | 更新时间：2024-06-05

- 强化学习：迈向知行合一的智能机制与算法
- Reinforcement learning:toward action-knowledge merged intelligent mechanisms and algorithms
- 智能科学与技术学报 2020年2卷第2期页码：101-106
- 作者机构：
  
  1. 中国科学院自动化研究所复杂系统管理与控制国家重点实验室，北京 100190
  2. 中国科学院大学，北京，100049
  3. 青岛智能产业技术研究院，山东青岛 266109
  4. 滑铁卢大学，加拿大滑铁卢 N2L 3G1
- 作者简介：
  
  [ "王飞跃（1961- ），男，博士，中国科学院自动化研究所复杂系统管理与控制国家重点实验室主任，中国科学院大学中国经济与社会安全研究中心主任，青岛智能产业技术研究院院长，主要研究方向为平行系统的方法与应用、社会计算、平行智能以及知识自动化" ]
  [ "曹东璞（1978- ），男，博士，滑铁卢大学副教授，认知自动驾驶实验室主任，主要研究方向为自动驾驶、人车协同与平行驾驶" ]
  [ "魏庆来（1979- ），男，博士，中国科学院自动化研究所研究员，复杂系统管理与控制国家重点实验室副主任，中国科学院大学岗位教授，青岛智能产业技术研究院智能技术创新中心主任，主要研究方向为自学习控制、平行控制、自适应动态规划、智能控制、最优控制及其工业应用" ]
- 基金信息：
- DOI：10.11959/j.issn.2096-6652.202011
  中图分类号： TP301
- 网络出版日期：2020-06，
  
  纸质出版日期：2020-06-20
- 稿件说明：
移动端阅览
王飞跃, 曹东璞, 魏庆来. 强化学习：迈向知行合一的智能机制与算法[J]. 智能科学与技术学报, 2020,2(2):101-106.

Fei-Yue WANG, Dongpu CAO, Qinglai WEI. Reinforcement learning:toward action-knowledge merged intelligent mechanisms and algorithms[J]. Chinese journal of intelligent science and technology, 2020, 2(2): 101-106.
王飞跃, 曹东璞, 魏庆来. 强化学习：迈向知行合一的智能机制与算法[J]. 智能科学与技术学报, 2020,2(2):101-106. DOI： 10.11959/j.issn.2096-6652.202011.

Fei-Yue WANG, Dongpu CAO, Qinglai WEI. Reinforcement learning:toward action-knowledge merged intelligent mechanisms and algorithms[J]. Chinese journal of intelligent science and technology, 2020, 2(2): 101-106. DOI： 10.11959/j.issn.2096-6652.202011.

摘要

简要地评论了强化学习的历史、现状与未来的发展途径，认为强化学习应从先行后知、先知后行向知行合一的平行强化学习迈进，实现在虚拟世界“吃一堑”，在物理世界“长一智”，真正成为智慧机制和智能算法的基础学习理论。

Abstract

This article discusses briefly the history

the state of the art and the future of reinforcement learning

and outlines a roadmap of evolution from learning by doing

doing with planning to parallel intelligence that combining learning virtually in artificial systems and acting accordingly in actual systems.

关键词

Keywords

references

郑南宁 . 人工智能新时代 [J ] . 智能科学与技术学报 , 2019 , 1 ( 1 ): 1 - 3 .

ZHENG N N . The new era of artificial intelligence [J ] . Chinese Journal of Intelligent Science and Technology , 2019 , 1 ( 1 ): 1 - 3

张钹 . 人工智能进入后深度学习时代 [J ] . 智能科学与技术学报 , 2019 , 1 ( 1 ): 4 - 6 .

ZHANG B . Artificial intelligence is entering the post deep-learning era [J ] . Chinese Journal of Intelligent Science and Technology , 2019 , 1 ( 1 ): 4 - 6 .

GARIBALDI J M , 陈虹宇 , 李小双 . 差异与学习：模糊系统与模糊推理 [J ] . 智能科学与技术学报 , 2019 , 1 ( 4 ): 319 - 326 .

GARIBALDI J M , CHEN H Y , LI X S . Variation and learning:fuzzy system and fuzzy inference [J ] . Chinese Journal of Intelligent Science and Technology , 2019 , 1 ( 4 ): 319 - 326 .

LUCAS S , 沈甜雨王晓 , 等 . 基于统计前向规划算法的游戏通用人工智能 [J ] . 智能科学与技术学报 , 2019 , 1 ( 3 ): 219 - 227 .

LUCAS S , SHEN T Y , WANG X , et al . General game AI with statistical forward planning algorithms [J ] . Chinese Journal of Intelligent Science and Technology , 2019 , 1 ( 3 ): 219 - 227 .

王飞跃 . 人工智能在多角色游戏中获胜 [J ] . 中国科学基金 , 2020 , 34 ( 2 ): 205 - 206 .

WANG F Y . AI wins in multi-role games [J ] . Bulletin of National Natural Science Foundation of China , 2020 , 34 ( 2 ): 205 - 206 .

LUCIAN B , ROBERT B , BART D S , et al . Reinforcement learning and dynamic programming using function approximators [M ] . Boca Raton : CRC PressPress , 2010 .

魏庆来 , 王飞跃 . 强化学习 [M ] . 北京 : 清华大学出版社 , 2020 .

WEI Q L , WANG F Y . Reinforcement learning [M ] . Beijing : Tsinghua University PressPress , 2020 .

FLORENTIN W , BERND P . Reinforcement learning [M ] . Cambridge : MIT PressPress , 2008 .

浏览量

271

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

融合音画同步的唇形合成研究

求解微分方程的人工智能与深度学习方法：现状及展望

移动目标轨迹预测方法研究综述

平行艺术：人机协作的艺术创作

人工智能进入后深度学习时代