1. 主要内容 1.1 研究内容 提出了一种结合任务可解释性的指挥官-集群多智能体分层强化学习算法，提高算法在复杂博弈场景中的收敛速度。 设计了一种结合软决策树的多智能体分层强化学习算法，增强了策略的解释性。 基于模糊决策树建立了博弈对抗策略，通过挖掘战法规则，模拟人的决策过程。 在联合作战实验平台上设计了空战博弈场景和海空联合作战场景，验证了所提算法的有效性。 1.2 算法设

1. 主要内容 背景与目的： 随着信息技术和人工智能的发展，大数据驱动的辅助决策方法变得更加科学和准确。 强化学习在决策优化方面具有优势，但传统方法难以解决多层次、多目标的决策优化问题，尤其是在长周期决策优化问题中，学习奖励的滞后性限制了效率。 方法论： 提出基于多智能体强化学习的分层决策优化方法，应用目标分解思想解决长期决策优化问题。 该方法基于强化学习理论，使具有层

1. 主要内容 针对复杂动作状态空间场景下单智能体策略学习问题，提出了一种基于预训练模型的分层强化学习算法。该算法分为三个层次： 首先，基于先验知识为每个子策略设计了适宜其相应时间的宏动作； 其次是子策略控制器，其核心是基于监督学习的方法，训练能够适应不同需要的子策略，基于随机的宏动作产生子策略监督学习的数据，并且子策略只学习胜利时的操作轨迹； 最后是智能体的高级策略控制器，基于策

强化学习 状态、动作、奖励和下一个状态(s, a, R(s), s') 1. 回报 折扣因子 2. 决策 马尔可夫决策过程 MDP 在马尔可夫决策过程中，未来只取决于你现在所处的位置，而不取决于你是如何到达这里的。 3. 状态-动作价值函数 3.1 贝尔曼方程 如果你从状态s 开始，你将采取行动a，然后在此之后

推荐系统 1. 使用每个特征数据 2. 协同过滤算法 假设已经有了w和b，猜测特征x 这种协同过滤是从多个用户收集数据，用户之间的这种协作可帮助您预测未来甚至其他用户的评级。 推荐系统的一个非常常见的用例是当您有二进制标签时，例如用户喜欢、喜欢或与项目交互的标签。 3.二进制标签 分类不用正则化 4. 均值归一

无监督学习 1. 聚类 1.1 k-means 如果一个集群训练样本为零，可以消除该集群，最终得到k-1；另一种方法是重新初始化该集群质心 1.2 优化目标 1.3 初始化 1.4 选择聚类数量 肘法 2. 异常检测 2.1 密度估计 2.2 高斯正态分布 最大似然估计 2.3 异常检测算法 2.

决策树 根节点 决策节点 叶节点 决策树学习算法的工作是，从所有可能的决策树中，尝试选择一个希望在训练集上表现良好的树，然后理想地泛化到新数据，例如交叉验证和测试集 1. 学习过程 决策树学习的第一步是，我们必须决定在根节点使用什么特征。 决策 2：何时停止分裂？ 当一个节点完全是一类时 当分裂一个节点会导致树超过最大深度时 当纯度分数的提高低于

在机器学习项目中下一步该做什么 1. 模型评估 训练集分为两个子集 training set test set 不包含正则化项 image-20231011084442975 就是相比于之前计算在测试集和训练集上误差的那两个公式，我们更常用模型分类错误的次数除以总的预测次数来表示误差 就是对于逻辑回归来说，可以通过计算误判占比的方法来代表成本函数，比

Tenserflow实现 1. 模型训练步骤 模型训练步骤 1.1 Epochs and batches 在上述的 compile 语句中，epochs 的数量被设置为10。这指定了整个数据集在训练过程中应该被应用10次。在训练期间，你会看到描述训练进度的输出，看起来像这样： 12Epoch 1/106250/6250 [==========================

神经网络 输入层 输入为特征向量 隐藏层 输出层 Tensorflow and Keras TensorFlow 是由谷歌开发的一个机器学习包。2019年，谷歌将 Keras 集成到 TensorFlow 中，并发布了 TensorFlow 2.0。Keras 是由 François Chollet 独立开发的框架，它为 TensorFlow 创建了一个简单、以层为中心