- 博客(11)
- 收藏
- 关注
RSS订阅原创 群体智能：批判性审视
群体智能如同一柄双刃利剑，其模仿自然之美的背后，潜藏着理论根基的脆弱、工程实践的桎梏与伦理深渊的幽暗。对其不加批判的拥抱，无异于在数字迷雾中闭目前行。群体智能的未来，当在审慎与责任中书写。
2025-06-17 00:35:10
703
3
原创 深度解析群智能算法：从生物启发的优化范式到复杂问题求解引擎
群智能算法通过模拟生物群体行为（如蚁群觅食、鸟群迁徙），构建了一种独特的分布式优化范式。自20世纪90年代蚁群优化（ACO）和粒子群优化（PSO）诞生以来，这类算法已在等领域展现出独特价值。本文从三个维度，系统解析群智能算法的核心机制与发展逻辑。：群智能并非对生物行为的精确复制，而是提取等核心原则构建的随机优化框架。
2025-06-17 00:26:34
893
原创 史上最详细Carla增加Town6，Town7，Town10地图教程以及简单代码测试
简单记录一下再Carla中增加Town6，Town7，Town10环境以及代码测试笔记本配置1、内存：+16 GB RAM memory2、显存：+8 GB Video memory3、处理器： Intel® Core™ i9-14900HX 2.20 GHz4、操作系统：10Windows，64 位操作系统, 基于 x64 的处理器5、Carla版本：0.9.146、python版本：3.7.1。
2025-06-16 18:11:55
12101
原创 无折扣形式策略梯度：深度解析与关键形式
用奖励/价值引导策略更新，同时尽可能降方差、提效率。而优势函数，正是这一路进化的“集大成者”——平衡了方差、解释性和实用性，成为深度强化学习（如 PPO、A2C 等算法）的基石。如果你在做强化学习项目，不妨从优势函数入手，搭配 Actor-Critic 框架，感受策略梯度的强大优化能力。当然，也别忽略其他形式的价值——比如 TD 误差适合快速迭代场景，基础形式帮你理解梯度本质。掌握这些，策略梯度的优化逻辑就不再晦涩，接下来就是放手实践，让智能体在环境中“一路狂飙”拿高分啦～
2025-06-10 19:04:51
716
原创 因果推断中 P(Y|X) 和 P( Y|do（x)）的区别
以及是否排除了混淆变量的影响。的观测分布，而P(Y|do(X)) 对应。在因果图中，( P(Y|X) ) 对应。它们的本质区别在于是否涉及。是两个核心概念，用于区分。
2025-06-10 11:46:12
680
原创 因果推断后门准则具体例子
若直接拟合模型 (Y = \beta_0 + \beta_1 X + \epsilon)，系数(\beta_1) 可能仅反映相关性，而非因果性。假设原始数据中，服药组康复率为40%，未服药组为30%，表面上药物有效。通过后门调整，分层分析明确分离了年龄的影响，确保组内比较的公平性（即同年龄组内服药与未服药患者的差异仅由药物引起）。其中，(P(Y|do(X))) 表示干预X（强制服药）时Y的分布，通过对Z分层求和消除混杂。：研究某新型药物（X）对心脏病患者康复（Y）的因果效应，需排除年龄（Z）的混杂影响。
2025-06-08 01:51:17
909
原创 强化学习中的数据Shuffling（洗牌）
算法类型 是否需要洗牌 关键原因DQN、SAC ✅ 需要 依赖经验回放，需打破样本间时序相关性PPO、A2C ❌ 不需要 优势函数计算依赖时序，在线策略无需历史数据基于 LSTM 的序列模型 ❌ 不需要 网络结构显式建模时序依赖行为克隆（专家轨迹） ❌ 不需要 需保留专家演示的动作顺序。
2025-06-07 17:27:44
857
原创 强化学习概念辨析（On-line，Off-line）
在线学习是一种机器学习范式，其核心特点是智能体（或模型）通过与环境的实时交互逐步获取数据，并在每一步数据获取后立即更新模型参数。整个过程呈现 “数据采集→模型训练→决策优化” 的动态循环，类似于人类通过持续实践不断积累经验的过程。离线学习是一种传统的机器学习范式，其核心特点是智能体（或模型）在训练阶段完全基于 预先收集的静态数据集 进行学习，训练完成后直接用于部署和决策。整个过程分为数据收集→批量训练→固定部署三个独立阶段，类似于人类通过 “复习已有知识” 掌握技能的过程。
2025-06-07 01:36:36
11493
原创 强化学习概念辨析（On-policy，Off-policy）
如有不全面或者不对的地方，还请大家评论区留言，进行增删。首先给出二者定义：On-policy:用于与环境交互的交互策略与算法不断优化（评估）的目标策略为同一策略。Off-policy:用于与环境交互的交互策略与算法不断优化（评估）的目标策略为不同策略。当然，只看上述定义还是很难理解二者之间的具体区别，接下来将对两种经典的强化学习算法（Sarsa，Q-learning）进行分析，并通过二者之间的区别详细阐述On-policy和Off-policy之间的区别。
2025-06-06 18:21:47
925
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人