多智能体机器学习：强化学习方法

　　译者序
　　原书前言
　　第1章监督式学习概述
　　1 1 LS算法
　　1 2 RLS算法
　　1 3 LMS算法
　　1 4随机逼近法
　　参考文献
　　第2章单智能体强化学习
　　2 1简介
　查看完整　　

　　Howard M.Schwartz 博士，在加拿大魁北克蒙特利尔的麦吉尔大学获得工学学士学位，在美国马萨诸塞州剑桥麻省理工学院获得硕士和博士学位，现为加拿大渥太华卡尔顿大学系统与计算机工程系的教授，研究领域包括自适应和智能控制系统、机器人、机器学习、多智能体学习、系统辨识和状态估计。
　　连晓峰，现为中国电子学会高级会员，系统仿真学会会员，北京高新技术企业认定委员会专家库专家，《机器人技术与应用》杂志社理事，国家工信部工业和信息化科技人才专家库专家。

　　《多智能体机器学习：强化学习方法》主要介绍了多智能体机器人强化学习的相关内容。《多智能体机器学习：强化学习方法》共6章，首先介绍了几种常用的监督式学习方法，在此基础上，介绍了单智能体强化学习中的学习结构、值函数、马尔科夫决策过程、策略迭代、时间差分学习、Q学习和资格迹等概念和方法。然后，介绍了双人矩阵博弈问题、多人随机博弈学习问题，并通过3种博弈游戏详细介绍了纳什均衡、学习算法、学习自动机、滞后锚算法等内容，并提出LRI滞后锚算法和指数移动平均Q学习算法等，并进行了分析比较。接下来，介绍了模糊系统和模糊学习，并通过仿真示例详细分析算法。后，介绍了群智能学习进化以及性格特征概念和应用。《多智能体机器学习：强化学习方法》内容丰富，重点突出。

　　译者序
　　原书前言
　　第1章监督式学习概述
　　1 1 LS算法
　　1 2 RLS算法
　　1 3 LMS算法
　　1 4随机逼近法
　　参考文献
　　第2章单智能体强化学习
　　2 1简介
　　2 2 n臂赌博机问题
　　2 3学习结构
　　2 4值函数
　　2 5最优值函数
　　2 5.1网格示例
　　2 6 MDP
　　2 7学习值函数
　　2 8策略迭代
　　2 9 时间差分学习
　　2 10状态一行为函数的时间差分学习
　　2 11 Q学习
　　2 12资格迹
　　参考文献
　　第3章双人矩阵博弈学习
　　3 1矩阵博弈
　　3 2双人矩阵博弈中的纳什均衡
　　3 3双人零和矩阵博弈中的线性规划
　　3 4学习算法
　　3 5梯度上升算法
　　3 6 WoLF IGA算法
　　3 7 PHC算法
　　3 8 WoLF PHC算法
　　3 9矩阵博弈中的分散式学习
　　3 10学习自动机
　　3 11线性回报一无为算法
　　3 12线性回报一惩罚算法
　　3 13滞后锚算法
　　3 14 LR．滞后锚算法
　　3 14.1仿真
　　参考文献
　　第4章多人随机博弈学习
　　4 1简介
　　4 2多人随机博弈
　　4 3极大极小Q学习算法
　　4 3.1 2 x2网格博弈
　　4 4纳什Q学习算法
　　4 4.1学习过程
　　4 5单纯形算法
　　4 6 Lemke Howson算法
　　4 7纳什Q学习算法实现
　　4 8朋友或敌人Q学习算法
　　4 9无限梯度上升算法
　　4 10 PHC算法
　　4 11 WoLF PHC算法
　　4 12 网格世界中的疆土防御问题
　　4 12.1仿真和结果
　　4 13 LR．滞后锚算法在随机博弈中的扩展
　　4 14 EMA Q学习算法
　　4 15 EMA Q学习与其他方法的仿真与结果比较
　　4 15.1矩阵博弈
　　4 15 2随机博弈
　　参考文献
　　第5章微分博弈
　　5 1简介
　　5 2模糊系统简述
　　5 2.1模糊集和模糊规则
　　5 2 2模糊推理机
　　5 2 3模糊化与去模糊化
　　5 2 4模糊系统及其示例
　　5 3模糊Q学习
　　5 4 FACL
　　5 5疯狂司机微分博弈
　　5 6模糊控制器结构
　　5.7 Q(A)学习模糊推理系统
　　5 8疯狂司机博弈的仿真结果
　　5 9双车追捕者一逃跑者博弈中的学习算法
　　5 10双车博弈仿真
　　5 11 疆土防御微分博弈
　　5 12疆土防御微分博弈中的形成回报
　　5 13仿真结果
　　5 13.1 个防御者对一个人侵者
　　5 13 2两个防御者对一个人侵者
　　参考文献
　　第6章群智能与性格特征的进化
　　6 1简介
　　6 2群智能的进化
　　6 3环境表征
　　6 4群机器人的性格特征
　　6 5性格特征的进化
　　6 6仿真结构框架
　　6 7零和博弈示例
　　6 7.1收敛性
　　6 7 2仿真结果
　　6 8后续仿真实现
　　6 9机器人走出房间
　　6 10机器人跟踪目标
　　6 11小结
　　参考文献
^ 收 起　　

　　Howard M.Schwartz 博士，在加拿大魁北克蒙特利尔的麦吉尔大学获得工学学士学位，在美国马萨诸塞州剑桥麻省理工学院获得硕士和博士学位，现为加拿大渥太华卡尔顿大学系统与计算机工程系的教授，研究领域包括自适应和智能控制系统、机器人、机器学习、多智能体学习、系统辨识和状态估计。
　　连晓峰，现为中国电子学会高级会员，系统仿真学会会员，北京高新技术企业认定委员会专家库专家，《机器人技术与应用》杂志社理事，国家工信部工业和信息化科技人才专家库专家。

　　《多智能体机器学习：强化学习方法》主要介绍了多智能体机器人强化学习的相关内容。《多智能体机器学习：强化学习方法》共6章，首先介绍了几种常用的监督式学习方法，在此基础上，介绍了单智能体强化学习中的学习结构、值函数、马尔科夫决策过程、策略迭代、时间差分学习、Q学习和资格迹等概念和方法。然后，介绍了双人矩阵博弈问题、多人随机博弈学习问题，并通过3种博弈游戏详细介绍了纳什均衡、学习算法、学习自动机、滞后锚算法等内容，并提出LRI滞后锚算法和指数移动平均Q学习算法等，并进行了分析比较。接下来，介绍了模糊系统和模糊学习，并通过仿真示例详细分析算法。后，介绍了群智能学习进化以及性格特征概念和应用。《多智能体机器学习：强化学习方法》内容丰富，重点突出。