Temat: dynamic iteration - Prolib Integro

Skocz do pozycji: 1.

Tytuł:: Remarks on the gluing algorithm for multibody systems co-simulation
Autorzy:: Tomulik, P.
Frączek, J.
Tematy:: simulator coupling
co-simulation
waveform relaxation
dynamic iteration
multibody system dynamics; Pokaż więcej
Wydawca:: Fundacja na Rzecz Młodych Naukowców
Powiązania:: https://bibliotekanauki.pl/articles/115845.pdf Link otwiera się w nowym oknie
Opis:: This paper briefs a part of authors’ study on co-simulation techniques and their application to multibody system dynamics. The main concern of the study is on construction and properties of algorithms that are suitable for such purpose. One of the proposed methods from literature is so-called “gluing-algorithm” by Wang et al. These authors proposed Newton iteration to couple several simulators of mechanical subsystems through constraints/reactions, and provided numerical examples to suggest efficiency of the method. Here we re-investigate the method in order to underline some problems that one might meet when using the “gluingalgorithm”.
Dostawca treści:: Biblioteka Nauki

Artykuł

Skocz do pozycji: 2.

Tytuł:: Metoda Monte Carlo w uczeniu ze wzmocnieniem
Monte Carlo method in Reinforcement Learning
Autorzy:: Gromna, Martyna
Opis:: Celem pracy jest rozwiązanie problemu decyzyjnego Markowa (MDP). Korzystamy z programowania dynamicznego, w sytuacji w której znamy dynamikę MDP – używamy algorytm iteracji strategii oraz algorytm iteracji wartości. Z kolei, gdy nie znamy dynamiki MDP stosujemy metody Monte Carlo. Część pracy poświęcona jest także algorytmowi Q-learning. Jego działanie prezentujemy poprzez rozwiązanie problemu taxi-v2 w programie Python.
The aim of the work is to solve the Markov decision problem (MDP). We use dynamic programming in a situation in which we know the dynamics of MDP - we use the strategy iteration algorithm and the value iteration algorithm. On the other hand, when we do not know the MDP dynamics, we use Monte Carlo methods. Part of the work is also devoted to the Q-learning algorithm. We present its operation by solving the taxi-v2 problem in Python.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

Informacja