Çoklu etmen mimarisi ve takviyeli öğrenme
Multi agent architecture and reinforcement learning
- Tez No: 183319
- Danışmanlar: PROF. DR. AHMET ARSLAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Eğitim ve Öğretim, Computer Engineering and Computer Science and Control, Science and Technology, Education and Training
- Anahtar Kelimeler: Takviyeli öğrenme, Q öğrenme, yapay sinir ağları, labirent vearama problemleri, Reinforcement learning, q learning, artificial neural networks, maze andsearching problems
- Yıl: 2006
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Takviyeli öğrenme yöntemleri, bağımsız etmenli sistemlere ve dinamik ortamlarauygulanabilir olduğundan son zamanlarda oldukça ilgi çekmiştir. Takviyeli öğrenmemetotları içerisinde en popüler algoritmalardan biri Q öğrenmedir. Q öğrenme, labirentve arama problemlerine uygulandığında optimal politikayı belirleme hızı bakımındanilgi çekici bir öğrenme metodu olarak bilinmektedir. Bunun yanı sıra durum uzayınıngenişlemesi Q öğrenme algoritmasında yavaşlamalara neden olmaktadır.Bu tez çalışmamda bu problemin çözümü için yeni bir yöntem sunulacaktır. Buyöntemde takviyeli öğrenme ile yapay sinir ağları birlikte kullanılmaktadır. Geliştirileneylem seçme yöntemi ile etmenin q değerleri yanı sıra yapay sinir ağı çıkışlarından dafaydalanması sağlanmaktadır. Böylece etmen hedefine ulaşabileceği konumlara dahahızlı bir şekilde gelebilmektedir. Deneysel sonuçlar durum uzayında gerçekleştirilenuygulamanın geçerliliğini göstermektedir.
Özet (Çeviri)
The application of reinforcement learning to autonomous agent systems anddynamic states has attracted recent attention. One of the most popular reinforcementtechniques is Q learning. It has been proven to produce an optimal policy under mazeand searching problems. Increases the dimension of state space bring disadvantages tothis algorithm.This theses presents a novel approach to overcome this problem. The approachusing together reinforcement learning and artificial neural networks. Q values andartificial neural network outputs are using together with developed action select method.Thus agent can reach the goal state rapidly. Experimental results handled on pursuitdomain show the effectiveness and applicability of the proposed approach.
Benzer Tezler
- Multi agent reinforcement learning using function approximation
Fonksiyon yaklaşımı kullanarak çoklu etmen takviye öğrenme
OSMAN ABUL
Yüksek Lisans
İngilizce
1999
Orta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Development of LPV-MPC and LQR control strategıesfor multı-uav formatıon wıth battery-awareweıght matrıx optımızatıon
Batarya farkındalığına sahip ağırlık matrisi optimizasyonuile çoklu iha formasyonu için lpv-mpc ve LQRkontrol stratejilerinin geliştirilmesi
HACI MUHAMMED YILDIZ
Yüksek Lisans
İngilizce
2025
İstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması
Başlık çevirisi yok
EMEL ÖNDER
- Türkiye trafik düzeninde kazaların azaltılması açısından yeni trafik kanunu uygulaması ile ilgili sorunlar ve çözüm yolları
Başlık çevirisi yok
ERDAL UÇAR
Yüksek Lisans
Türkçe
1986
Gazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
Yükleniyor...
- Ön işlemenin ve askorbik asitin dondurularak depolanan yılan balıklarının (Anguilla anguilla) kalitesine etkileri
Başlık çevirisi yok
H.VOLKAN GÖKSEL