无线传感网络存在关键区域节点能量消耗过快，节点能量供应有限以及通信链路拥塞等问题，容易造成节点故障和路由破坏。为减小上述问题对网络传输造成的影响，提出一种基于Q学习的无线传感网络自愈算法，通过引入Q学习的反馈机制，动态感知网络的状态信息，当故障发生时，自适应地选择恢复路径，保证数据实时顺利传输。仿真结果表明，该算法降低了错误选择故障或拥塞路径的概率，在故障感知、故障恢复和延长网络寿命等方面，表现出了良好的性能。
上传时间： 2013-10-26
上传用户：toyoad
强化学习的Q学习算法,能够通过此算法，使得某种动作不断得到加强，希望对那些想使用Q学习算法的人有所帮助
上传时间： 2014-01-23
上传用户：1079836864
这里是一些关于Q学习的应用和算法，有很好的思路，可以从中举一反三，从而解决自己的问题，希望对大家能有所帮助
标签： 算法
上传时间： 2017-06-23
上传用户：R50974
移动机器人路径规划尤其是未知环境下机器人路径规划是机器人技术中的一个重要研究领域，得到了很多研究者的关注，并取得了一系列重要成果。目前已存在许多用来解决该问题的优化算法，但是此类问题属于N-Hard问题，寻求更佳的算法就成为该领域的一个研究热点。为此，根据机器人路径规划算法的研究现状和向智能化，仿生化发展的趋势，研究了一种基于图的机器人路径规划蚂蚁优化算法。算法首先用栅格法对机器人的工作空间进行建模，并用一个状态矩阵表示其状态，由此构造出一个连通图，由一组蚂蚁在图上模拟蚂蚁的觅食行为，从而得到避碰的优化路径。最后，借鉴分枝随机过程和生灭过程的理论知识，用概率的方法从理论上对该算法的收敛性进行了分析，在此基础上，结合计算机仿真结果，证实了本文提出的算法的有效性和收敛性。迄今为止，对于未知环境下机器人路径规划，人们已经探索出了许多有效的求解方法诸如虚拟力场法、基于学习或Q学习的规划方法、滚动窗口规划方法、非启发式方法及各类定位、导航方法等等。近年来，不少学者用改进的遗传算法、神经网络、随机树、蚁群算法等方法对未知环境下机器人路径进行了规划机器人路径规划算法向智能化、仿生化发展是一个明显的趋势.由于已有算法不同程度的存在一定局限性，诸如搜索空间大、算法复杂、效率不高等，尤其对于未知环境，不少路径规划算法的复杂度较高，甚至无法求解，根据日前的研究现状和不足，本文提出了一种用于解决未知环境下机器人路径规划的基于图的蚂蚁算法，理论分析和实验结果都证明了本文算法的有效性和收敛性本课题研究的主要内容本文在用概格法对机器人的工作空间进行建模的基础上，用一个状态矩阵表示其状态，由此构造一个连通图，由一组蚂蚊在图上模拟蚂蚁的觅食行为，从而得到避碰的优化路径并借鉴分枝随机过程和生灭过程的理论知识用概率的方法从理论上对该算法的收敛性进行了分析，结合计算机仿真，证明了本文算法的有效性和收敛性
上传时间： 2022-03-10
上传用户：kingwide
C++A&Q.chm,对学习vc++6.0会有些帮助
上传时间： 2016-04-07
上传用户：gonuiln
基于P-Q分解法的潮流计算适合初学者学习程序简单易懂
上传时间： 2013-12-20
上传用户：13681659100
基于BP神经网络的 参数自学习控制 （1）确定BP网络的结构，即确定输入层节点数M和隐含层节点数Q，并给出各层加权系数的初值 和 ，选定学习速率 和惯性系数 ，此时k=1； （2）采样得到rin(k)和yout(k)，计算该时刻误差error(k)=rin(k)-yout(k)； （3）计算神经网络NN各层神经元的输入、输出，NN输出层的输出即为PID控制器的三个可调参数 ， ， ； （4）根据(3.34)计算PID控制器的输出u(k)； （5）进行神经网络学习，在线调整加权系数 和 ，实现PID控制参数的自适应调整； （6）置k=k+1，返回（1）。
上传时间： 2016-04-26
上传用户：无聊来刷下
强化学习中的Q-Learning在路径规划中的应用
标签： Q-Learning planning path
上传时间： 2018-03-28
上传用户：wangshengmin
电工学学习指导与习题详解
标签： 电工学
上传时间： 2013-06-13
上传用户：eeworm
稀里煳涂学习STM32 超清版
上传时间： 2013-04-15
上传用户：eeworm
