Zobrazeno 1 - 10
of 86
pro vyhledávání: '"Song, Guanghua"'
In most existing studies on large-scale multi-agent coordination, the control methods aim to learn discrete policies for agents with finite choices. They rarely consider selecting actions directly from continuous action spaces to provide more accurat
Externí odkaz:
http://arxiv.org/abs/2208.10676
Publikováno v:
In Digital Signal Processing January 2025 156 Part B
The recent progress in multi-agent deep reinforcement learning(MADRL) makes it more practical in real-world tasks, but its relatively poor scalability and the partially observable constraints raise challenges to its performance and deployment. Based
Externí odkaz:
http://arxiv.org/abs/2109.02032
Autor:
Liu, Xin, Sun, Jianxin, Huang, Yixuan, Jiang, Longqing, Liu, Shuangyu, Qian, Feng, Shen, Honglie, Yang, Yang, Chen, Rulong, Song, Guanghua, Hong, Juan
Publikováno v:
In Solar Energy 15 March 2024 271
Exploration of the high-dimensional state action space is one of the biggest challenges in Reinforcement Learning (RL), especially in multi-agent domain. We present a novel technique called Experience Augmentation, which enables a time-efficient and
Externí odkaz:
http://arxiv.org/abs/2005.09453
Publikováno v:
Journal of Electrical & Computer Engineering. 12/13/2023, p1-14. 14p.
Autor:
Yang, Yang1 (AUTHOR), Song, Guanghua1 (AUTHOR) z0004358@zuel.edu.cn
Publikováno v:
Information (2078-2489). Nov2023, Vol. 14 Issue 11, p603. 19p.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.