第1章 概述 1
1.1 動態規劃與強化學習問題 2
1.2 動態規劃與強化學習中的逼近 5
1.3 關於本書 7
第2章 動態規劃與強化學習介紹 9
2.1 引言 9
2.2 馬爾可夫決策過程 12
2.2.1 確定性情況 12
2.2.2 隨機性情況 16
2.3 值迭代 20
2.3.1 基於模型的值迭代 20
2.3.2 模型無關的值迭代與探索的必要性 25
2.4 策略迭代 27
2.4.1 基於模型的策略迭代 28
2.4.2 模型無關的策略迭代 33
2.5 策略搜索 35
2.6 總結與討論 38
第3章 大規模連續空間中的動態規劃與強化學習 40
3.1 介紹 40
3.2 大規模連續空間中近似的必要性 43
3.3 近似框架 45
3.3.1 帶參近似 45
3.3.2 無參近似 48
3.3.3 帶參與無參逼近器的比較 49
3.3.4 附注 50
3.4 近似值迭代 51
3.4.1 基於模型的帶參近似值迭代算法 51
3.4.2 模型無關的帶參近似值迭代算法 54
3.4.3 無參近似值迭代算法 58
3.4.4 非擴張近似的作用及收斂性 59
3.4.5 實例：用於直流電機的近似Q值迭代 62
3.5 近似策略迭代 67
3.5.1 用於近似策略評估的類值迭代算法 68
3.5.2 基於綫性帶參近似的模型無關策略評估 70
3.5.3 基於無參近似的策略評估 80
3.5.4 帶迴滾的基於模型的近似策略評估 80
3.5.5 策略改進與近似策略迭代 81
3.5.6 理論保障 84
3.5.7 實例：用於直流電機的最小二乘策略迭代 86
3.6 自動獲取值函數逼近器 90
3.6.1 基函數最優化方法 91
3.6.2 基函數構造 93
3.6.3 附注 95
3.7 近似策略搜索 95
3.7.1 策略梯度與行動者-評論傢算法 96
3.7.2 梯度無關的策略搜索 101
3.7.3 實例：用於直流電機問題的梯度無關策略搜索 103
3.8 近似值迭代、近似策略迭代及近似策略搜索算法的比較 106
3.9 總結與討論 108
第4章 基於模糊錶示的近似值迭代 110
4.1 引言 110
4.2 模糊Q值迭代 112
4.2.1 模糊Q值迭代的近似和投影映射 112
4.2.2 同步和異步模糊Q值迭代 116
4.3 模糊Q值迭代的分析 119
4.3.1 收斂性 119
4.3.2 一緻性 126
4.3.3 計算復雜度 131
4.4 優化隸屬度函數 132
4.4.1 隸屬度函數優化的一般方法 132
4.4.2 交叉熵優化 133
4.4.3 基於交叉熵隸屬度函數優化的模糊Q值迭代 135
4.5 實驗研究 137
4.5.1 直流電機：收斂性和一緻性研究 137
4.5.2 雙連杆機械臂：動作插值的效果以及與擬閤Q值迭代的比較 142
4.5.3 倒立擺：實時控製 146
4.5.4 過山車：隸屬度函數優化的效果 149
4.6 總結與討論 152
第5章 用於在綫學習和連續動作控製的近似策略迭代 154
5.1 引言 154
5.2 最小二乘策略迭代的概述 155
5.3 在綫最小二乘策略迭代 157
5.4 使用先驗知識的在綫LSPI 161
5.4.1 使用策略近似的在綫LSPI 161
5.4.2 具有單調策略的在綫LSPI 162
5.5 采用連續動作、多項式近似的LSPI 165
5.6 實驗研究 167
5.6.1 用於倒立擺的在綫LSPI 167
5.6.2 用於雙連杆機械臂的在綫LSPI 178
5.6.3 使用直流電機先驗知識的在綫LSPI 181
5.6.4 在倒立擺中使用帶有連續動作逼近器的LSPI 183
5.7 總結與討論 187
第6章 基於交叉熵基函數優化的近似策略搜索 189
6.1 介紹 189
6.2 交叉熵優化方法 190
6.3 交叉熵策略搜索 192
6.3.1 一般方法 192
6.3.2 基於徑嚮基函數的交叉熵策略搜索 197
6.4 實驗研究 199
6.4.1 離散時間二重積分 199
6.4.2 自行車平衡 206
6.4.3 HIV傳染病控製的計劃性間斷治療 212
6.5 總結與討論 215
附錄A 極端隨機樹 217
附錄B 交叉熵方法 221
縮略語 227
參考文獻 232
· · · · · · (收起)