LuanVan.vnLuận Văn
Gửi thư

Leveraging Expected Improvement to enhance exploration efficiency in Deep Reinforcement Learning

Đồ án tốt nghiệp · Đại học · năm 2025 · đề tài tham khảo

Loại tài liệuĐồ án tốt nghiệp
Bậc họcĐại học
Tác giảVõ Minh Trí
Người hướng dẫnTrần Thế Hùng
Cơ sở đào tạoĐại học Bách khoa Hà Nội
Năm2025
NguồnThư viện số Đại học Bách khoa Hà Nội · trang gốc

Tóm tắt

Nghiên cứu và thiết kế phương pháp nâng cao hiệu quả khám phá trong học tăng cường sâu bằng cách kết hợp lấy mẫu hậu nghiệm với Expected Improvement. Phân tích thực trạng cho thấy học tăng cường sâu còn kém hiệu quả về số lượng mẫu, trong khi các phương pháp lấy mẫu hậu nghiệm gặp khó khăn khi mở rộng sang không gian trạng thái lớn và liên tục. Đề xuất giải pháp tích hợp Expected Improvement vào Posterior Sampling for Deep Reinforcement Learning, sử dụng biểu diễn trạng thái tiềm ẩn, mô hình chuyển tiếp và lượng hóa bất định Bayes để lựa chọn hành động. Thực nghiệm trên các môi trường Atari cho thấy phương pháp đạt hiệu quả khám phá và tốc độ học tốt hơn các phương pháp đối chứng. Kết luận khẳng định cách tiếp cận cải thiện hiệu quả sử dụng mẫu, nhưng vẫn cần xử lý hiện tượng bùng nổ giá trị Q và bất ổn.
Bản toàn văn lưu tại thư viện Đại học Bách khoa Hà Nội

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.