复杂应用中运用人工智能核心 强化学习
2020-07-27 10:28:34爱云资讯
近期,有不少报道强化学习算法在 GO、Dota 2 和 Starcraft 2 等一系列游戏中打败了专业玩家的新闻。强化学习是一种机器学习类型,能够在电子游戏、机器人、自动驾驶等复杂应用中运用人工智能。在状态和动作空间较大、环境信息不完善并且短期动作的长期回报不确定的游戏中,这些程序可以找出最佳动作。
不只是游戏王者,强化学习作为机器学习的一个分支,在真实系统设计中,它能帮助您针对复杂系统(如机器人和自主系统)实现控制器和决策系统。借助深度强化学习,您可以实现深度神经网络,这类网络运用通过仿真模型动态生成的数据进行训练,从而学习复杂行为。您只需准备一个仿真模型来表示您正在与之交互并尝试控制的环境,而无需提供标注或者未标注的预定义训练数据集。
MATLAB 和 Simulink 支持设计和部署基于强化学习的控制器的整套工作流。您可以:
通过简单的控制系统、自主系统和机器人示例,初步了解强化学习
在常见强化学习算法间快速切换并加以评估和比较,只需对代码稍加改动即可实现
使用深度神经网络,根据图像、视频和传感器数据定义复杂强化学习策略
使用本地核心或云并行运行多个仿真,加速完成策略训练
将强化学习控制器部署到嵌入式设备
强化学习智能体(agent)
强化学习智能体由策略和算法构成,策略用于执行从输入状态到输出动作的映射,算法负责更新策略。常见算法包括深度 Q 网络、Actor-Critic 和深度确定性策略梯度。算法会更新策略,使之最大化环境提供的长期奖励信号。策略可通过深度神经网络、多项式或查找表进行表达。然后,您可以将内置智能体和自定义智能体作为 MATLAB 对象或 Simulink 模块加以实现。
在 MATLAB 和 Simulink 中进行环境建模
强化学习算法训练是一个动态过程,因为智能体需要与周边环境进行交互。对于机器人和自主系统等应用形式,在真实环境中使用实际硬件开展此类训练不仅代价高昂,还可能面临危险。正因如此,人们倾向于采用通过仿真生成数据的虚拟环境模型来开展强化学习。您可以在 MATLAB 和 Simulink 中构建环境模型,以此描述系统动态、智能体的行动对系统动态产生的影响,以及用于评估所采取行动优度的奖励。这些模型在本质上可以是连续的或者离散的,可以采用不同的保真度来表示系统。此外,您也可以通过并行仿真来加快训练。在某些情况下,您还可以重用现有的 MATLAB 和 Simulink 系统模型,只需稍加改动即可将其用于强化学习。
- 卓翼智能无人机+人工智能助力森林防灭火,科技赋能守护绿色林海
- 上海人工智能实验室发布自动驾驶视频生成模型GenAD
- Supermicro 采用新一代系统和机架架构以扩大人工智能优化产品组合
- “人工智能+教育” 木愚科技AIGC满足教育新要求
- 推进“人工智能+”行动:全应科技在热电能源领域的创新实践
- 哈尔滨工业大学(深圳)成功举办InsunICC人工智能学术研讨会
- 大咖畅谈AI发展前景:在可见未来,人类都可掌控人工智能
- 喜报!神州医疗获评“医疗大数据与人工智能行业2023年度企业”
- 腾讯钟学丹:人工智能成为汽车行业新质生产力 推动数智化升级
- 助推智慧医疗产业健康发展,云知声加入医学人工智能委员会
- 点燃发展新引擎 天翼数字生活公司以“人工智能+”推动数字经济变革创新
- 飞天云动积极探索“人工智能+”,推动元宇宙数字文旅、VR视频直播应用场景落地
- 人工智能走进产业,CeMeta森宇宙AI营销产品登陆AWE2024
- 易联众“智鼎云帆”行业大模型发布,打造民生领域人工智能得力助手
- AIport报告:全球生成式人工智能发展格局揭晓,中国亚洲领先地位凸显
- 科大讯飞人工智能赋能司法事业,讯飞智能录音笔全程助力