Multi-agent reinforcement learning
Çoklu etmen takviye öğrenme
- Tez No: 82765
- Danışmanlar: DOÇ. DR. FARUK POLAT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: takviye öğrenme, çoklu-etmen öğrenme, çoklu-etmen koordinasy onu, Q-öğrenme iv, reinforcement learning, multi-agent learning, multi-agent coordination, un learning m
- Yıl: 1999
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 28
Özet
oz ÇOKLU-ETMEN TAKVİYE ÖĞRENME Şenkul, Selçuk Yüksek Lisans, Bilgisayar Mühendisliği Bölümü Tez Yöneticisi: Doç. Dr. Faruk Polat Ocak 1999, 28 sayfa Öğrenme, insanların zeki davranışları açısından önemli bir faktördür. Bireysel öğrenme dışında genellikle toplu öğrenme gözlemlenir. Çoklu-etmen sistemleri bu davranışları göstermek için kullanılabilir. Bu tezde, çoklu-etmen sistemlerinde takviye öğrenme çalışılmıştır. Bir av-avcı oyunu deneysel ortam olarak kullanılmıştır. Geçmiş çalışmalarda kullanılan iyi bilinen stratejiler denenerek, takviye öğrenme için kesin kuralların ol madığı gösterilecektir. Etmenlerin performansını arttıracak birkaç yenilik önerilmiştir. Bu öneriler, sadece gerektiği kadar durum tutarak, durum sayısını azaltmaya yöneliktir.
Özet (Çeviri)
ABSTRACT MULTI- AGENT REINFORCEMENT LEARNING Şenkul, Selçuk M.S., Department of Computer Engineering Supervisor: Assoc. Prof. Dr. Faruk Polat January 1999, 28 pages Learning is an important factor in intelligent behavior of humans. Besides individual learning, we usually observe collective learning. Multi-agent systems can be adjusted to show this behavior. In this thesis, we study reinforcement learning in multi-agent systems. A capture game in a grid world is taken as the experiment medium. We try some well known strategies from previous works and show that there are no strict rules for reinforcement learning. We also suggest two new improvements to increase the performance of agents. These strategies decrease the number of states while keeping as much state as necessary.
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
- Multi-agent reinforcement learning based energy management with P2P/V2G
P2P/V2G ile çoklu-temsilcili pekiştirmeli öğrenme tabanlı enerji yönetimi
METE YAVUZ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Okan ÜniversitesiOtomotiv Mekatroniği ve Akıllı Araçlar Ana Bilim Dalı
DOÇ. DR. ÖMER CİHAN KIVANÇ
- Multi-agent reinforcement learning using roles
Roller kullanarak çoklu-etmen takviye öğrenme
ERKİN ÇİLDEN
Yüksek Lisans
İngilizce
2001
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FARUK POLAT
- Etmenlerin iç modelini kullanarak çoklu etmenlerde bulanık takviyeli öğrenme
Fuzzy reinforcement learning in multi-agent systems using internal model of agents
ALPER KILIÇ
Yüksek Lisans
Türkçe
2002
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ.DR. AHMET ARSLAN
- S-learning: A multi-agent reinforcement learning method
S-öğrenme: Bir çoklu-etmen takviye-öğrenme metodu
UĞUR KUTER
Yüksek Lisans
İngilizce
2000
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FARUK POLAT