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: 71
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
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FARUK POLAT
- Askeri harekatın planlanmasında çoklu etmen tabanlı modelleme ve benzetim mimarisi
A multi-agent architecture for modelling and simulation in millitary operation planning
MURAT MALA
Doktora
Türkçe
2009
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. İBRAHİM ÇİL
- Çoklu etmen ortamında nesne tabanlı dağıtık bellek paylaşımı
Distributed object sharing in the multi-agent environment
METEHAN PATACI
Yüksek Lisans
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NADİA ERDOĞAN
- Zeki etmenler ile sera kontrolü
Greenhouse controled with intelligent agents
SERAP ERGÜN
Yüksek Lisans
Türkçe
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. TUNCAY AYDOĞAN
- Implementing an agent-based system for distributed information retrieval
Dağıtık bilgi erişim için etmen tabanlı bir sistemin geliştirilmesi
ABDEL NASER POUAMOUN
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiUluslararası Bilgisayar Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İLKER KOCABAŞ