基于状态的潜在博弈的迁移学习用于去中心化制造系统的过程优化

本文研究了共享公共资源的多智能体系统，提出了一种基于参数策略的闭环型纳什均衡解法。

通过解单目标优化问题获得最优策略，应用于无合作通信博弈，并利用深度强化学习算法学习接近博弈精确变分均衡的策略。

研究旨在设计学习环境，使代理人的最优解与纳什平衡一致，并推导出分散式强化学习算法。

探讨了迁移学习在强化学习中的应用，分析了目标、方法及实际应用等方面的框架。

提出了一种基于多个技能先验的强化学习方法，以指导在新任务上学习策略。

探索使用强化学习技术提高制造业生产效率，提出优化调度方法并验证其可行性。

讨论了知识的迁移和推广，强调从设计到学习的转移的重要性。

描述了将近似动态规划、模型预测控制和强化学习连接的新概念框架。

研究产品批次大小对解决方案质量和强化学习算法训练动态的影响，提出新的课程学习策略。

介绍了一种基于梯度的优化方法，用于状态基潜在博弈，旨在实现更快的收敛和更平滑的探索动力学。