Deep reinforcement learning for urban modeling: Morphogenesis simulation of self-organized settlements
Derin pekiştirmeli öğrenme ile kentsel modelleme: Kendiliğinden örgütlenen yerleşimlerin morfogenez simülasyonu
- Tez No: 830384
- Danışmanlar: Assoc. Prof. Dr. BURCU ŞENYAPILI ÖZCAN, Dr. YİĞİT ACAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mimarlık, Şehircilik ve Bölge Planlama, Computer Engineering and Computer Science and Control, Architecture, Urban and Regional Planning
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mimarlık, Planlama ve Tasarım Ana Bilim Dalı
- Bilim Dalı: Mimari ve Kentsel Enformatik Bilim Dalı
- Sayfa Sayısı: 117
Özet
Kendiliğinden örgütlenen kentsel büyüme modları, yüksek kaliteli kentsel alanlar üretme, uygun fiyatlı konut sağlama ve şehirler içinde ekonomik fırsatlara daha geniş erişim sağlama gibi potansiyelleri barındırır. Bu tip yerleşimler, ve tabandan yukarı örgütlenen tasarım süreçleri kısıtlı alanda ve özellikle eğimli arazilerde, çevresel etmenler açısından da verimli çözümler sunar. Bu tip doğrusal olmayan, karmaşık ve dinamik sıralı kentsel toplama süreçlerinin modellenmesi, uyarlanabilir, sıralı kararlar almayı gerektirir. Bu çalışmada, belirli performans hedeflerini en üst düzeye çıkaran kendiliğinden örgütlenmiş yerleşimler oluşturmak için derin pekiştirmeli öğrenme (Deep Reinforcement Learning: DRL) yaklaşımı önerilir. Bu yaklaşım kapsamında, kendiliğinden örgütlenen yerleşimlerin morfogenez problemini simüle edecek tekil ajanlara dayalı (single-agent) bir pekiştirmeli öğrenme (Reinforcement Learning: RL) çerçevesi önerilmiştir. Önerilen çerçeve, iki hücresel otomata temelli kentsel büyüme modeline dayanan üç ortam geliştirilerek, derin Q-öğrenme (DQN) ve Proksimal Politika Optimizasyonu (Proximal Policy Optimization: PPO) algoritmaları kullanılarak, RL ajanlarının eğitilmesiyle ve bu ortamlardaki performans metriklerine dayalı sıralı kentsel oluşum politikaları üretilmesi yoluyla test edilir. Ajanlar, performansı en üst düzeye çıkarmak, geçiş hakkını korumak ve topografik kısıtlamalara uyum sağlamak için kentsel biçimi uyarlarken, yerleşimleri sırayla büyütmeyi sürekli olarak öğrenirler. Bu çalışmada önerilen yöntem sadece önceden belirlenmiş performans hedeflerine dayalı olarak kendi kendine organize edilen yerleşim büyümesini modellemek için değil, aynı zamanda benzer nitelikli tasarım problemlerinin formülizasyonu için de kullanılabilir bir çerçeve sunar.
Özet (Çeviri)
Self-organized modes of urban growth could result in high-quality urban space and have notable benefits such as providing affordable housing and wider access to economic opportunities within cities. Modeling this non-linear, complex, and dynamic sequential urban aggregation process requires adaptive sequential decision-making. In this study, a deep reinforcement learning (DRL) approach is proposed to automatically learn these adaptive decision policies to generate self-organized settlements that maximize a certain performance objective. A framework to formulate the self-organized settlement morphogenesis problem as single-agent reinforcement learning (RL) environment is presented. This framework is then verified by developing three environments based on two cellular automata urban growth models and training RL agents using the Deep Q-learning (DQN) and Proximal Policy Optimization (PPO) algorithms to learn sequential urban aggregation policies that maximize performance metrics within those environments. The agents consistently learn to sequentially grow the settlements while adapting their morphology to maximize performance, maintain right-of-way, and adapt to topographic constraints. The method proposed in this study can be used not only to model self-organized settlement growth based on preset performance objectives but also could be generalized to solve various single-agent sequential decision-making generative design problems.
Benzer Tezler
- Kentsel ani sel felaketlerine karşı mücadelede yapay zeka tabanlı bir karar destek sistemi
An artificial intelligence-based decision support system for urban flash flood disaster response
İREM KARAKAYA
Doktora
Türkçe
2024
Endüstri ve Endüstri MühendisliğiYıldız Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALEV TAŞKIN
- Investigating the missing pieces of sensorimotor reinforcement learning agents for autonomous driving
Sensöre dayalı pekiştirmeli öğrenme ile otonom sürüş için eksik kalan parçaların incelenmesi
EGE ONAT ÖZSÜER
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATMA GÜNEY
DR. ÖĞR. ÜYESİ BARIŞ AKGÜN
- Şehir içi trafik sinyal ağının takviyeli öğrenme algoritmaları ve nesnelerin interneti tabanlı kontrolü
The reinforcement learning algorithms and internet of things based control for urban traffic signal network
SEYİT ALPEREN ÇELTEK
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AKİF DURDU
- Akıllı kavşaklar için makine öğrenme tabanlı graf algoritmasının geliştirilmesi
Development of machine learning based graph algorithm for smart intersections
ERHAN TURAN
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. BEŞİR DANDIL
PROF. DR. ENGİN AVCI
- Uçtan uca sürücüsüz bir aracın derin öğrenme modelleri ile kontrol edilmesi
Controlling an end-to-end driverless vehicle with deep learning models
ALİ ART
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAH TALHA SÖZER