通过课程驱动的持续DQN扩展缓解自适应列车调度中的稳定性-可塑性困境
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了自适应列车调度中稳定性与可塑性的平衡问题，特别是在复杂多智能体环境下。提出了持续深度Q网络扩展（CDE）算法，通过课程学习设计相互关联的技能，提高了学习效率和适应性，有效缓解了灾难性遗忘。实验结果表明，该方法在处理动态环境变化和任务要求方面具有显著优势，展示了其在自适应列车调度中的潜在影响。
本文介绍了RDAC框架，解决了连续学习算法中的稳定性和可塑性之间的权衡问题。验证实验结果表明，该算法在保持稳定性的同时没有明显损失可塑性。研究为现有连续学习算法提供了有价值的见解，并为新的连续学习方法铺平了道路。同时，研究提供了对生物系统中学习诱导的激活/表示变化与稳定性-可塑性困境以及再现漂移问题的新视角。
