Your Location：
Home >
Browse articles >
综述：强化学习中的领域适应
常规文章 | Updated：2025-02-25

    • 综述：强化学习中的领域适应

      Enhanced Publication

    • Domain adaptation in reinforcement learning: a comprehensive and systematic study

    • 信息与电子工程前沿（英文）   2024年25卷第11期 页码：1446-1465

    • DOI：10.1631/FITEE.2300668    

      中图分类号： TP391

    • 收稿：2023-10-01，

      录用：2024-03-18，

      纸质出版：2024-11

    Scan QR Code

  • Amirfarhad FARHADI, Mitra MIRZAREZAEE, Arash SHARIFI, 等. 综述：强化学习中的领域适应[J]. 信息与电子工程前沿（英文）, 2024,25(11):1446-1465. DOI： 10.1631/FITEE.2300668.

    Amirfarhad FARHADI, Mitra MIRZAREZAEE, Arash SHARIFI, et al. Domain adaptation in reinforcement learning: a comprehensive and systematic study[J]. Frontiers of Information Technology & Electronic Engineering, 2024, 25(11): 1446-1465. DOI： 10.1631/FITEE.2300668.

  •  
  •  

0

浏览量

301

Downloads

0

CSCD

PlumX

>
文章被引用时，请邮件提醒。
Submit
工具集
下载
参考文献导出
分享
收藏
添加至我的专辑

相关文章

Jiu fusion artificial intelligence (JFA): a two-stage reinforcement learning model with hierarchical neural networks and human knowledge for Tibetan Jiu chess
Efficient learning of robust multigait quadruped locomotion for minimizing the cost of transport
Reinforcement learning based privacy-preserving consensus tracking control of nonstrict-feedback discrete-time multi-agent systems
Multi-agent reinforcement learning behavioral control for nonlinear second-order systems
An anti-collision algorithm for robotic search-and-rescue tasks in unknown dynamic environments

相关作者

李霞丽
樊霄宇
喻俊志
才让先木
兰萍
董志诚
王志成
赵欣

相关机构

中央民族大学民族语言智能分析与安全治理教育部重点实验室
中央民族大学信息工程学院
北京大学湍流与复杂系统国家重点实验室
北京大学通用人工智能国家重点实验室
西藏大学信息科学技术学院
0