微分博弈資料

微分博弈匯總資料

研發團隊只是讓它自由隨意地在棋盤上下棋，然后進行自我博弈。 據阿爾法圍棋團隊負責人大衛·席爾瓦（Dave Sliver）介紹，AlphaGo Zero使用新的強化學習方法，讓自己變成了老師。系統一開始甚至并不知道什么是圍棋，只是從單一神經網絡開始，通過神經網絡強大的搜索算法，進行了自我對弈。隨著自我博弈的增加，神經網絡逐漸調整，提升預測下一步的能力，最終贏得比賽。

此外，博弈論也被應用到主動容錯控制中。在文獻[146]中，通過微分對策設計了一種基于合作博弈的執行器容錯控制策略。此外，文獻[147]結合反饋線性化和合作博弈論設計容錯控制器。為了提高容錯控制器的魯棒性，文獻[148]設計了一種與模型無關的自校正容錯控制框架，可以加強不同故障條件下縱向和側向跟蹤能力。

Lattice Planner格子規劃器 狀態格構造了一個離散的搜索空間，使得相關的狀態連續，以確定的方式獲取目標狀態，并滿足車輛的微分約束。由于啟用了預計算（Howard，2009），這也降低了計算成本（Howard，2009），除非晶格彎曲以遵循車道或道路的形狀（Madas等人，2013年）。

文獻[86]基于微分對策法用牛頓-歐拉方程建立了含擾動變量的n個智能體數學模型，模型通過降維求解Riccati方程組給出數值算例，實現多智能體的飛行策略。文獻[87]提出了基于不確定信息的多智能體微分對策模型，并在智能群體博弈模型中引入了態勢矩陣，為不確定性信息下的博弈過程提供最優的行動策略。

文獻[86]基于微分對策法用牛頓-歐拉方程建立了含擾動變量的n個智能體數學模型，模型通過降維求解Riccati方程組給出數值算例，實現多智能體的飛行策略。文獻[87]提出了基于不確定信息的多智能體微分對策模型，并在智能群體博弈模型中引入了態勢矩陣，為不確定性信息下的博弈過程提供最優的行動策略。

就風險指標而言，為了克服TTC的局限性（什么是TTC 點擊 自動駕駛機動動作規劃和決策 ），可以探索微分幾何的應用。應用微分幾何可以研究質點在曲線上運動的運動特性?？紤]到這一概念，可以采用Frenét frame11，而不是使用全球坐標系中的直線來計算距離（對于TTC）。使用Frenét框架，可以在描述道路幾何結構的曲線上計算距離，從而描述車輛的運動。

12·1 基于純策略的標準灰矩陣博弈模型構建 12·2 標準灰矩陣博弈的純策略解 12·3 標準灰矩陣博弈的灰混合策略 12·4 最大、最小灰博弈值與灰混合策略的灰鞍點 12·5 灰混合策略的線性規劃模型 12·6 灰混合策略的灰線性規劃模型求解 第十三章 灰色控制 13·1 控制與灰色控制 13·2 灰色線性控制系統 13·3 灰色傳遞函數與典型環節 13·4 灰色傳遞函數矩陣 13·5 幾種典型的灰色控制

12·1 基于純策略的標準灰矩陣博弈模型構建 12·2 標準灰矩陣博弈的純策略解 12·3 標準灰矩陣博弈的灰混合策略 12·4 最大、最小灰博弈值與灰混合策略的灰鞍點 12·5 灰混合策略的線性規劃模型 12·6 灰混合策略的灰線性規劃模型求解 第十三章 灰色控制 13·1 控制與灰色控制 13·2 灰色線性控制系統 13·3 灰色傳遞函數與典型環節 13·4 灰色傳遞函數矩陣 13·5 幾種典型的灰色控制