pc加拿大2.8开奖网

教育及工作经历：2015年于pc加拿大2.8开奖网获工学学士学位，2019年于香港城市大学系统工程及工程管理学系获哲学博士学位，2019年11月起加入pc加拿大2.8开奖网控制与系统工程系任教，曾于2019年8月至10月赴澳大利亚新南威尔士大学做短期访问研究。

学术研究：研究方向为强化学习、机器学习与人工智能，及其在机器人学、机器人控制中的应用。研究成果发表在 IEEE Transactions on Neural Networks and Learning Systems, IEEE/ASME Transactions on Mechatronics, IEEE Transactions on Cybernetics, IEEE Transactions on Systems, Man, and Cybernetics: Systems 等国际期刊和 AAAI Conference on Artificial Intelligence 等国际会议上。

教学及人才培养：目前承担《》、《自动化导论》等本科生、研究生课程。

强化学习(Reinforcement Learning, RL)

1. 迁移强化学习(Transfer RL): 运用贝叶斯推理(Bayesian inference)、分层贝叶斯模型(Hierarchical Bayesian model)、隐变量模型(Latent variable model)、自适应权重(Adaptive re-weighting)、元学习(Meta-learning)等原理和方法，实现强化学习智能体之间知识的有效迁移。与之相近或交叉的学习模式有增量式学习(Incremental learning)、多任务学习(Multi-task learning)、持续学习(continual learning)、终身学习(lifelong learning)等。

2. 分层强化学习(Hierarchical RL): 运用模型集成(Model ensemble)、多专家模型(Mixture-of-experts)、贝叶斯推理(Bayesian inference)等原理和方法，在基于半马尔科夫决策过程(Semi-Markov decision process)的选项(Option)框架下实现高效而实用的决策分层机制。

3. 基于演化计算的强化学习(Evolutionary computation for RL): 运用高度可并行化的演化算法，如演化策略(Evolution strategies, ES)、进化算法(Genetic algorithms, GA)等，为强化学习问题提供可扩展性强、运算时间短的解决方案。

4. 基于规则的强化学习(Rule-based RL): 运用规则信息(Rules)、专家知识(Expert knowledge)、人类经验(Human demonstrations)等仿生学原理和方法，来改善强化学习的性能，使之更为接近人类学习的模式。

5. 多智能体强化学习(Multi-agent RL): 运用深度卷积(Depthwise convolution)、平均场近似(Mean-field approximation)、博弈论(Game theory)等原理和方法，提高多智能体之间实时通信与协同决策能力。

强化学习可解决多种多样的任务，拥有广泛的算法验证平台，比如：MuJoCo机器人运动学控制、Atari视频游戏、3D视频游戏、星际争霸II(StarCraft II)策略游戏等。

机器人学(Robotics)、机器人控制系统(Robot control systems)

运用强化学习、机器学习(Machine learning)、控制理论(Control theory)等原理和方法，赋予机器人类似人的能力以流畅自然的方式执行各种运动技能与任务，例如：轮式机器人的智能导航任务、足式机器人在复杂路况中的步态控制、工业机械臂系统的精确轨迹规划与灵活手抓取任务、智能无人仓储中的自动货物运输、智能交通信号灯的控制任务等。

Journal Articles:

[1] Zhi Wang, Chunlin Chen, and Daoyi Dong, "," IEEE Transactions on Neural Networks and Learning Systems,  DOI: 10.1109/TNNLS.2021.3055499, 2021. [pdf][]

[2] Yuanyang Zhu, Zhi Wang, Chunlin Chen, and Daoyi Dong, "," IEEE/ASME Transactions on Mechatronics, DOI: 10.1109/TMECH.2021.3072675, 2021. [pdf] [supplementary materials]

[3] Zhi Wang, Han-Xiong Li, and Chunlin Chen, "," IEEE Transactions on Neural Networks and Learning Systems, vol. 31, no. 6, pp. 1870-1883, 2020. [pdf] [] 

[4] Zhi Wang, Chunlin Chen, Han-Xiong Li, Daoyi Dong, and Tzyh-Jong Tarn, "," IEEE/ASME Transactions on Mechatronics, vol. 24, no. 2, pp. 621-632, 2019. [pdf] [] 

[5] Zhi Wang, Han-Xiong Li, and Chunlin Chen, "," IEEE Transactions on Cybernetics, vol. 50, no. 6, pp. 2861-2871, 2020. [pdf] 

[6] Zhi Wang, and Han-Xiong Li, "," IEEE Transactions on Systems, Man, and Cybernetics: Systems, vol. 49, no. 12, pp. 2612-2622, 2019. [pdf]

[7] Zhi Wang, and Han-Xiong Li, "," IEEE Transactions on Systems, Man, and Cybernetics: Systems, DOI: 10.1109/TSMC.2019.2916939, 2019. [pdf]

Conference Papers:

[1] Zhi Wang, Wei Bi, Yan Wang, and Xiaojiang Liu, "," in: Proceedings of AAAI Conference on Artificial Intelligence (AAAI), 2019, pp. 7241-7248. [pdf] [supplementary materials]

[2] Donghan Xie, Zhi Wang, Chunlin Chen and Daoyi Dong, "IEDQN: Information exchange DQN with a centralized coordinator for traffic signal control," in: Proceedings of International Joint Conference on Neural Networks (IJCNN), 2020.

[3] Zhi Wang, and Han-Xiong Li, "Incremental learning based subspace modeling for distributed parameter systems," in: Proceedings of International Joint Conference on Neural Networks (IJCNN), 2019.

[4] Zhi Wang, Chunlin Chen, Han-Xiong Li, Daoyi Dong, and Tzyh-Jong Tarn, "A novel incremental learning scheme for reinforcement learning in dynamic environments," in: Proceedings of World Congress on Intelligent Control and Automation (WCICA), 2016.