.png){kind=icon}
返回
Optimizing Deep Reinforcement Learning Through Vectorized and Parallel NeuroEvolution
.png){kind=icon}
PRE
AI
DOI：10.1016/j.future.2025.108334.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度强化学习（DRL）在解决复杂决策问题方面取得了显著成功；然而，训练效率、可扩展性和易实现性仍然是重大挑战。显而易见，硬件加速器（如GPU和TPU）的进步能够减少深度学习领域发展中面临的时间障碍。作为一种新颖方法，我们提出了一种基于神经进化（NeuroEvolution）的深度强化学习框架，利用JAX这一高性能数值计算库（针对机器学习和自动微分进行了优化）实现高效并行执行。我们的框架能够实现无缝的向量化策略优化，在显著降低计算开销的同时保持样本效率。我们引入了一个用户友好的接口，旨在提高易用性和灵活性，使研究人员能够轻松实验不同的进化策略，从而实现更广泛的探索并在特定环境中提升性能。此外，我们将基于神经进化的DRL扩展应用于此前未使用此类方法探索过的环境，进一步展示了我们方法的多功能性。最后，我们将最新的进化算法融入训练过程，取得了更好的结果。通过广泛的基准测试，我们表明我们的框架在收敛速度和可扩展性方面均优于传统的进化策略和基于梯度的DRL方法，与当前最先进的方法相比，速度提升了最高34倍。
期刊
F
IF:
0
论文数:
642
被引数:
0
机构
暂无机构信息
引用论文
.png){kind=icon}
Neural Architecture Search Based on a Multi-Objective Evolutionary Algorithm With Probability Stack
PREAI
分享收藏
分享收藏
查看更多内容