本书主要研究如何通过新型函数近似技术提升大规模强化学习器的性能。本书首先分析了传统的函数近似技术，如Tile编码与Kanerva编码在处理大规模问题性能不佳的原因，即原型冲突与不均匀的原型访问频率分布。为了解决这些问题，本书分别应用自适应Kanerva函数近似、模糊逻辑函数近似与基于粗糙集的函数近似等方法对强化学习中的函数近似方法进行改进。本书还将以上函数近似方法分别应用于强化学习中不同难度的捕食者－猎物追逐问题与认知无线电网络应用问题，以此进行验证。实验结果表明：本书所提方法不仅提高了类似问题的求解率，同时减少了所需原型数量，最终显著提高了函数近似技术解决大规模强化学习与多智能体问题的有效性。

第一章 引言
第一节 强化学习概述
第二节 本书研究的背景和意义
第三节 强化学习的应用领域
第二章 自适应函数近似技术
第一节 传统函数近似技术的实验评估
第二节 访问频率与特征分布
第三节 基于Kanerva自适应机制的函数逼近技术
第四节 本章小结
第三章 基于模糊逻辑的函数近似技术
第一节 Kanerva编码应用于困难实例的实验评估
第二节 Kanerva编码中的原型冲突
第三节 自适应模糊Kanerva编码
第四节 原型调整
第五节 本章小结
第四章 基于粗糙集理论的函数近似技术
第一节 不同数量原型影响的实验评估
第二节 粗糙集和Kanerva编码
第三节 基于粗糙集的Kanerva编码
第四节 不同初始原型数量的影响
第五节 本章小结
第五章 强化学习函数近似技术的应用：认知无线电网络
第一节 概述
第二节 基于强化学习的认知无线电
第三节 实验模拟
第四节 基于强化学习的认知无线电函数近似技术
第五节 本章小结
参考文献