简单记录一下最近（and future）看的关于机器人方面的论文，大致方向是manipulator相关的，具体涉及到了trajectory generation、motion planning和cv方面的内容，主要记录论文中自己不理解的地方和觉得重要的地方。

之前在毕设中使用了numpy来完成进化算法的优化，比起使用python自带的数据类型list，速度提高了将近10倍，但是为什么numpy如此地高效，我在网上的博客看到的理解主要有两点：优化的存储管理和使用了低级语言完成性能优化。通过学习论文The NumPy Array: A Structure for Efficient Numerical Computation来详细了解一下其中的原理吧^_^。

今天因为需要下载kaggle上的iwildcam比赛的数据集，折腾了一下aria2，下面记录一下过程备忘，and，之前的博客使用了大量的新浪图床的图片外链，最近发现新浪已经开始限制外链引用了，本文会给出解决方案，但是为了保险起见，近期最好将这些图片进行替换。

前面讨论了粗糙集理论的基础知识，这一部分将讨论知识表达系统的一种——决策表的知识约简算法。

这一部分我们讨论一下粗糙集理论中的基本概念，为后面讨论的知识约简算法做铺垫。

接触粗糙集是因为毕设论文需要用到，但是wiki上和网上的一些博客，包括老师给的参考论文上的理论都有一些出入（其实是不同的东西混在一起），所以就查阅了《粗糙集理论、算法与应用》，对粗糙集理论进行了较为系统的认识。

接着的几篇blog，我将自己在书上看到的和理解的东西整理出来，这一次主要讲一下经典集合中的关系的概念。

引用来自ShangtongZhang的代码chapter13/short_corridor.py

使用一个只含3个non-terminal state的简单grid-world问题讨论参数化policy算法的性能。

目前为止讨论的的强化学习算法都是基于value的，即通过学习value来决定policy，这章绕过value这个学习目标，虽然仍然会更新value，但是学习目标是得到一个参数化的policy，来直接进行决策。

引用来自ShangtongZhang的代码chapter12/mountain_car.py

使用喜闻乐见的MountainCar来测试Sarsa(λ)算法的性能

因为一直在纠结true online Sarsa(λ)的问题，然后我发现效果惨不忍睹。。。不知道是自己的问题还是不太合适用在这，可以在下面看出来。因为训练速度很慢(全部训练完差不多一下午，中间我还在sao改)，所以就借鉴一下大佬的结果。

引用来自ShangtongZhang的代码chapter12/random_walk.py

使用random walk问题来测试TD(λ)算法的性能