33、机器人学习与供应链管理：强化学习的应用探索

机器人学习与供应链管理：强化学习的应用探索

一、机器人学习中的课程学习

1.1 ALP - GMM方法原理

ALP - GMM方法聚焦于参数空间中性能变化最大（绝对学习进度）的位置，并在该差距周围生成参数。这样做的好处是，学习预算不会浪费在已经学习过的状态空间部分，或者当前智能体难以学习的部分。

1.2 实现步骤

1.2.1 创建自定义环境

首先，我们创建一个自定义环境 ALPKukaEnv ，其中关键部分如下：

class ALPKukaEnv(CustomKukaEnv):
    def __init__(self, env_config={}):
        ...
        self.mins = [...]
        self.maxs =  [...]
        self.alp = ALPGMM(mins=self.mins, 
                     maxs=self.maxs, 
                           params={"fit_rate": 20})
        self.task = None
        self.last_episode_reward = None
        self.episode_reward = 0
        super(ALPKukaEnv, self).__init__(env_config)

这里， task