Geri Dön

A Comparison of the performances of neural optimizers throght a design for playing Tic-Tac-Toe

Nöral eniyileyicilerin performanslarının Tic-Tac-Toe oynayan bir tasarım üzerinden karşılaştırılması

  1. Tez No: 23639
  2. Yazar: MERT SUNGUR
  3. Danışmanlar: DOÇ. DR. UĞUR HALICI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 1992
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 101

Özet

oz NÖRAL ENİYİLEYİCİLERİN PERFORMANSLARININ TIC-TAC-TOE OYNAYAN BİR TASARIM ÜZERİNDEN KARŞILAŞTIRILMASI SUNGUR, Mert Yüksek Lisans Tezi, Elektrik-Elektronik Mühendisliği Anabilim Dalı Tez Yöneticisi: Doç. Dr. Uğur HALICI Yardımcı Tez Yöneticisi: Doç. Dr. Güney GÖNENÇ Şubat,1992,92 sayfa. Nöral (sinirsel) ağlar, birleşimsel eniyileme alanında, klasik metotlara alternatif olarak kullanılmaktadır. Kesikli ve sürekli Hopfield ağlan, Boltzmann makinesi ve Gauss makinesi, nöral eniyileyici olarak kullanılabilen sinir ağı modelleri olup, son ikisi stokastik yapıya sahiptir. Bu tez çalışmasında,“tic-tac- toe”oyunu ele alınmış ve tic-tac-toe oynama problemi için bir nöral ağ tasarımı geliştirilmiştir. Problem, oyunu kazandırıcı hamleleri kaçırmamak, oyunu kaybettirecek pozisyonları kaçınılmaz olmadığı sürece engellemek ve bu iki durum dışında bir bulgusal değerlendirme fonksiyonunun maksimumunu aramak şeklinde tanımlanmıştır. Adı geçen modellerle elde edilen sonuçların niteliği, farklı oyun durumları için bilgisayar simülasyonlarıyla karşılaştırılmıştır. İncelenen modeller arasında, Gauss makinesinin en iyi performansı gösterdiği gözlenmiştir. Sürekli Hopfield modeli de, yapılan tüm deneylerde düzenli olarak iyi bir performans göstermiştir. Kesikli Hopfield en kötü performansa sahip olup yaklaşık olarak değerlendirme fonksiyonunun dağılımını takip etmektedir. Boltzmann maki nesinin performansı kesikli Hopfield'den daha iyidir. Bazı durumlar için Boltz mann makinesi, Gauss makinesi ve sürekli Hopfield kadar iyi olmakla birlikte, bu davranış tüm durumlar için düzenli değildir. Anahtar Kelimeler : Yapay sinir ağlan, birleşimsel eniyileme, Hopfield ağı, Boltzmann makinesi, Gauss makinesi Bilim Dalı Sayısal Kodu : 619.01.00 iv

Özet (Çeviri)

ABSTRACT A COMPARISON OF THE PERFORMANCES OF NEURAL OPTIMIZERS THROUGH A DESIGN FOR PLAYING TIC-TAC-TOE SUNGUR, Mert M.S. in Electrical and Electronics Engineering Supervisor: Assoc. Prof. Dr. Uğur HALICI Co-supervisor: Assoc. Prof. Dr. Güney GÖNENÇ February,1992,92 pages. Neural networks are introduced into the field of combinatorial opti mization as an alternative to the conventional methods. Discrete and continuous Hopfield networks, Gaussian machine and Boltzmann machine are neural network models that may be used as neural optimizers, the last two of which are stochastic in nature. This thesis study considers“tic-tac-toe”game and introduces a neural network implementation of the tic-tac-toe playing problem, described as a search towards the maximum of a heuristic evaluation function while a winning move is never missed and a losing position is always prevented unless inevitable. The quality of the solutions obtained by each mentioned model is compared through computer simulations for different game instances. It is observed that Gaussian machine shows the best performance among the models considered. Continuous Hopfield model also shows a steadily high performance over all the experiments. Discrete Hopfield is the worst-performing one and it almost follows the distribu tion of the evaluation function. The performance of Boltzmann machine is better than discrete Hopfield. For some instances, Boltzmann machine is as good as Gaussian machine and continuous Hopfield, however this behaviour is not steady for all instances. Keywords : Artificial neural networks, combinatorial optimization, Hopfield network, Boltzmann machine, Gaussian machine Science Code : 619.01.00 111

Benzer Tezler

  1. Design and deployment of deep learning based fuzzy logicsystems

    Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması

    AYKUT BEKE

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUFAN KUMBASAR

  2. Performance estimation in analog computer aided design

    Analog bilgisayar destekli tasarımda başarım tahmini

    İSMAİL FAİK BAŞKAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2000

    Elektrik ve Elektronik MühendisliğiBoğaziçi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÜNHAN DÜNDAR

  3. Derin öğrenme yöntemlerinin tıbbi teşhis alanında sorgulanması ve beyin tümörü tanısında uygulanması

    Investigation of deep learning in medical image analysis and detection of brain tumor using novel adaptive momentum method

    UTKU CAN AYTAÇ

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ GÜNEŞ

  4. Neuro classifiers for condition and bearing health assessment of an electric motor

    Elektrik makinasında durum ve rulman sağlığı değerlendirmesi için nöro sınıflandırıcılar

    MINA GHORBAN ZADEH BADELI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DUYGU BAYRAM KARA

  5. Derin pekiştirmeli öğrenme yöntemi ile görüntü hash kodlarını oluşturma

    Generating image hash codes with deep reinforcement learning method

    ELİF AKKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURHAN BARAKLI