Analysis of different learning schemes in multi-agent reinforcement learning algorithms
Çok ajanlı pekiştirmeli öğrenme algoritmalarında farklı öğrenme şemalarının analizi
- Tez No: 970805
- Danışmanlar: DR. ÖĞR. ÜYESİ NESLİHAN AVCU
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: En kısa yol problemi, Çok ajanlı sistemler, Shortest path problem, Multiagent systems
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, otonom robotlar için Q-öğrenme ve derin Q-ağı kullanılarak geliştirilen kontrol algoritmalarını doğrulamak için çeşitli simülasyonlar gerçekleştirilmiştir ve robotların bilinmeyen bir ortamda belirli bir hedefe doğru hareket ettirilmesi sağlanmıştır. Robotların öğrenme yeteneği, zorluğu artan senaryolarda test edilmiştir. Deneyde simülasyon yazılımı olarak Webots kullanılmış, test robotu olarak ise e-puck robot modülü seçilmiştir. Zorluğun artırılması (örneğin, labirent benzeri bir ortam yaratmak için engeller ve ortamın boyutunun artırılması) eğitimde yineleme sayısının artmasına neden olmuş, diğer yandan robotun yine de öğrendiği ve nihayetinde hedefe ulaştığı görülmüştür. Robot sayısının artırılmasına ilişkin olarak, eğitim sürecini etkilememekle birlikte, her bir robotun hedefi kendi başına bulmayı başardığı görülmüştür.
Özet (Çeviri)
Various simulations are performed in this paper to validate the control algorithms developed using Q-learning and deep Q-network for autonomous robots, making them move toward a certain target in an unknown environment. The learning capability of the robots was put to test in scenarios of increased difficulty. Webots was used as the simulation software in the experiment, while the e-puck robot module was chosen to be the test robot. While increasing the difficulty—for example, obstacles to create a maze-like environment and an increased size of it—resulted in increased numbers of iterations in training, on the other hand, it was found that a robot still learns and ultimately reaches the target. Concerning increasing the number of robots, while it did not affect the process of training, it was noted that each single robot managed to find the target on its own.
Benzer Tezler
- Equity portfolio optimization using reinforcement learning: An emerging market case
Pekiştirmeli öğrenme ile hisse senedi portföyü optimizasyonu: Gelişmekte olan piyasa örneği
MERT CANDAR
Yüksek Lisans
İngilizce
2022
İstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Data-driven prediction and emergency control of transient stability in power systems towards a risk-based optimal power flow operation
Güç sistemlerinde risk tabanlı optimal güç akışı işletimineyönelik geçici hal kararlılığın veri güdümlü tahmini veacil durum kontrolü
SEVDA JAFARZADEH
- Balancing mixed adversarial perturbations: Towards robust reinforcement learning
Karma çekişmeli bozulmaları dengeleme: Gürbüz pekiştirmeli öğrenmeye doğru
MUSTAFA ERDEM
- Nükleer rezonasta moleküler yapıların incelenmesi (yapısal faz geçiş kuramları üzerine bir inceleme)
Başlık çevirisi yok
ABDURRAHMAN ANDİÇ
