Key points are not available for this paper at this time.
Zusammenfassung Dieses Papier gibt einen Überblick über die Integration von Q‐Learning mit metaheuristischen Algorithmen (QLMA) in den letzten 20 Jahren und hebt dabei den Erfolg bei der Lösung komplexer Optimierungsprobleme hervor. Wir konzentrieren uns auf zentrale Aspekte von QLMA, einschließlich Parameteranpassung, Operatorauswahl und dem Ausgleich zwischen globaler Exploration und lokaler Ausnutzung. QLMA hat sich als führende Lösung in Branchen wie Energie, Stromsysteme und Ingenieurwesen etabliert und adressiert eine Vielzahl mathematischer Herausforderungen. Für die Zukunft schlagen wir eine weitere Erforschung der Integration von Metaheuristiken, Transferlearning-Strategien und Techniken zur Reduktion des Zustandsraums vor. Dieser Artikel ist eingeordnet unter: Technologien > Technologien der Computational Intelligence > Künstliche Intelligenz
Building similarity graph...
Analyzing shared references across papers
Loading...
Yang Yang
Yuchao Gao
Zhe Ding
Wiley Interdisciplinary Reviews Data Mining and Knowledge Discovery
The University of Queensland
Queensland University of Technology
Ocean University of China
Building similarity graph...
Analyzing shared references across papers
Loading...
Yang et al. (Sun,) untersuchten diese Fragestellung.
www.synapsesocial.com/papers/68e5bd3ab6db643587555151 — DOI: https://doi.org/10.1002/widm.1548