Buchumschlag

Leveraging Genetic Algorithms for Efficient Demonstration Generation in Real-World Reinforcement Learning Environments

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Maus, Tom, Atamna, Asma, Glasmachers, Tobias
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Balancing Specialization and Centralization: A Multi-Agent Reinforcement Learning Benchmark for Sequential Industrial Control
von: Maus, Tom, et al.
Veröffentlicht: (2025)

Cumulative Learning Rate Adaptation: Revisiting Path-Based Schedules for SGD and Adam
von: Atamna, Asma, et al.
Veröffentlicht: (2025)

Solving a Real-World Optimization Problem Using Proximal Policy Optimization with Curriculum Learning and Reward Engineering
von: Pendyala, Abhijeet, et al.
Veröffentlicht: (2024)

SortingEnv: An Extendable RL-Environment for an Industrial Sorting Process
von: Maus, Tom, et al.
Veröffentlicht: (2025)

Evolutionary Warm-Starts for Reinforcement Learning in Industrial Continuous Control
von: Maus, Tom, et al.
Veröffentlicht: (2026)

Curriculum RL meets Monte Carlo Planning: Optimization of a Real World Container Management Problem
von: Pendyala, Abhijeet, et al.
Veröffentlicht: (2025)

Deep Reinforcement Learning Based Navigation with Macro Actions and Topological Maps
von: Hakenes, Simon, et al.
Veröffentlicht: (2025)

Comparison of Outlier Detection Algorithms on String Data
von: Maus, Philip
Veröffentlicht: (2026)

Demonstration-Guided Continual Reinforcement Learning in Dynamic Environments
von: Yang, Xue, et al.
Veröffentlicht: (2025)

Leveraging Reinforcement Learning, Genetic Algorithms and Transformers for background determination in particle physics
von: Mendizabal, Guillermo Hijano, et al.
Veröffentlicht: (2025)

Leveraging Knowledge Distillation for Efficient Deep Reinforcement Learning in Resource-Constrained Environments
von: Meng, Guanlin
Veröffentlicht: (2023)

Ancestral Reinforcement Learning: Unifying Zeroth-Order Optimization and Genetic Algorithms for Reinforcement Learning
von: Nakashima, So, et al.
Veröffentlicht: (2024)

FutureWorld: A Live Reinforcement Learning Environment for Predictive Agents with Real-World Outcome Rewards
von: Han, Zhixin, et al.
Veröffentlicht: (2026)

Deep-learning-based identification of individual motion characteristics from upper-limb trajectories towards disorder stage evaluation
von: Sziburis, Tim, et al.
Veröffentlicht: (2024)

ProtoP-OD: Explainable Object Detection with Prototypical Parts
von: Rath-Manakidis, Pavlos, et al.
Veröffentlicht: (2024)

Towards Real-World Deployment of Reinforcement Learning for Traffic Signal Control
von: Müller, Arthur, et al.
Veröffentlicht: (2021)

Overcoming the Sim-to-Real Gap: Leveraging Simulation to Learn to Explore for Real-World RL
von: Wagenmaker, Andrew, et al.
Veröffentlicht: (2024)

When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning
von: Zeng, Siliang, et al.
Veröffentlicht: (2023)

Efficient and Generalized end-to-end Autonomous Driving System with Latent Deep Reinforcement Learning and Demonstrations
von: Tang, Zuojin, et al.
Veröffentlicht: (2024)

Reinforcement Learning as an Improvement Heuristic for Real-World Production Scheduling
von: Müller, Arthur, et al.
Veröffentlicht: (2024)

MAMBA: an Effective World Model Approach for Meta-Reinforcement Learning
von: Rimon, Zohar, et al.
Veröffentlicht: (2024)

How to Leverage Diverse Demonstrations in Offline Imitation Learning
von: Yue, Sheng, et al.
Veröffentlicht: (2024)

An Efficient Open World Environment for Multi-Agent Social Learning
von: Ye, Eric, et al.
Veröffentlicht: (2025)

Synergizing Reinforcement Learning and Genetic Algorithms for Neural Combinatorial Optimization
von: Gu, Shengda, et al.
Veröffentlicht: (2025)

Efficient Algorithms for Mitigating Uncertainty and Risk in Reinforcement Learning
von: Su, Xihong
Veröffentlicht: (2025)

Demonstrating Onboard Inference for Earth Science Applications with Spectral Analysis Algorithms and Deep Learning
von: Zilberstein, Itai, et al.
Veröffentlicht: (2025)

Solving Robotics Tasks with Prior Demonstration via Exploration-Efficient Deep Reinforcement Learning
von: Shen, Chengyandan, et al.
Veröffentlicht: (2025)

ChartMaster: Advancing Chart-to-Code Generation with Real-World Charts and Chart Similarity Reinforcement Learning
von: Tan, Wentao, et al.
Veröffentlicht: (2025)

Impact of Markov Decision Process Design on Sim-to-Real Reinforcement Learning
von: Krau, Tatjana, et al.
Veröffentlicht: (2026)

SORREL: Suboptimal-Demonstration-Guided Reinforcement Learning for Learning to Branch
von: Feng, Shengyu, et al.
Veröffentlicht: (2024)

Safe Reinforcement Learning for Real-World Engine Control
von: Bedei, Julian, et al.
Veröffentlicht: (2025)

On Generalization Across Environments In Multi-Objective Reinforcement Learning
von: Teoh, Jayden, et al.
Veröffentlicht: (2025)

Leveraging Lightweight Generators for Memory Efficient Continual Learning
von: Lamers, Christiaan, et al.
Veröffentlicht: (2025)

From Learning to Mastery: Achieving Safe and Efficient Real-World Autonomous Driving with Human-In-The-Loop Reinforcement Learning
von: Zeqiao, Li, et al.
Veröffentlicht: (2025)

RAPID: An Efficient Reinforcement Learning Algorithm for Small Language Models
von: Huang, Lianghuan, et al.
Veröffentlicht: (2025)

Sample Efficient Demonstration Selection for In-Context Learning
von: Purohit, Kiran, et al.
Veröffentlicht: (2025)

Learning from Ambiguous Demonstrations with Self-Explanation Guided Reinforcement Learning
von: Zha, Yantian, et al.
Veröffentlicht: (2021)

Real-World Reinforcement Learning of Active Perception Behaviors
von: Hu, Edward S., et al.
Veröffentlicht: (2025)

Scaling Sim-to-Real Reinforcement Learning for Robot VLAs with Generative 3D Worlds
von: Choi, Andrew, et al.
Veröffentlicht: (2026)

The Crucial Role of Problem Formulation in Real-World Reinforcement Learning
von: Schäfer, Georg, et al.
Veröffentlicht: (2025)