Sosyal öğrenme destekli aktör kritik pekiştirmeli öğrenme üzerine
On social learning enhanced actor critic reinforcement learning
- Tez No: 988141
- Danışmanlar: DOÇ. MEHMET DİNÇER ERBAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Bolu Abant İzzet Baysal Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, bir Sosyal Öğrenme modeli olan Taklit Öğrenmenin, Aktör-Kritik Pekiştirmeli Öğrenme algoritmasına entegre edilmesiyle oluşturulan yeni bir yöntem sunulmaktadır. Çalışmanın amacı, engelsiz, sabit engelli ve rastgele yerleştirilmiş engellere sahip labirent ortamlarında, önerilen yöntem ile Aktör-Kritik algoritmasını kullanan etmenlerin öğrenme hızını ve çözüm optimalliğini kıyaslamaktır. Çalışmada sunulan yeni yöntem, Aktör-Kritik algoritması ile, etmenler arasında doğrudan tecrübe aktarımı olmaksızın, belirli şartlar altında, gözlenen davranışları taklit eden bir modelin birleştirilmesinden oluşmaktadır. Önerilen yöntemin temel taşı olan taklit etme özelliği Aktör-Kritik algoritmasına entegre edilirken,“sabit olasılık değeri ile taklit”ve“kritik kararı ile taklit”olmak üzere iki farklı yol izlenmiştir. Çalışmada önerilen taklit destekli Aktör-Kritik öğrenme metodunun, labirent yol bulma problemi üzerinde klasik Aktör-Kritik metoduna göre, öğrenme hızının nasıl değiştiği iki boyutlu simülasyon sonuçları aracılığıyla değerlendirilmiştir. Bu yöntemlerin öğrenme hızlarının kıyaslanmasının yanı sıra, öğrenme süreçlerinin kararlılığı ve zaman içerisinde taklit edilme olasılığının değişimini veren sonuçlar ile çalışma desteklenmiştir. Simülasyon sonuçları, önerilen öğrenme yönteminin; öğrenmeyi genel olarak, önemli ölçüde hızlandırdığını, çoğu labirent ortamında optimum sonuca ulaşırken, özellikle dinamik engelli labirent ortamında olasılıksal taklit etme metodunun optimum çözüme ulaşma konusunda iyi sonuç vermediğini göstermektedir. Bununla birlikte, çalışmada sunulan Taklit Destekli Aktör-Kritik yönteminin kararlılığının standart Aktör-Kritik yaklaşımına kıyasla, bir durum istisna olmak üzere, daha yüksek olduğu gözlemlenmiştir. Bulgular, taklit ile öğrenmenin Aktör-Kritik çerçevesine entegre edilmesinin, özellikle karmaşık ortamlarda optimum çözüme yakınsamayı ve yöntemin kararlılığını artırdığını göstermektedir. Bu çalışmada önerilen yeni yaklaşım, gözlem yoluyla verimli öğrenme gerektiren otonom navigasyon ve robotik sistemlerde potansiyel uygulanabilirliğe sahiptir.
Özet (Çeviri)
In this study, a novel method developed by integrating Imitation Learning, a model of Social Learning, into the Actor-Critic Reinforcement Learning algorithm is presented. The aim of this study is to compare the learning speed and solution optimality of agents utilizing the proposed method against those using the standard Actor-Critic algorithm within maze environments characterized by obstacle-free, fixed obstacles, and randomly placed obstacles. The proposed approach combines the Actor-Critic algorithm with a model that imitates observed behaviors under certain conditions, without requiring direct experience transfer between agents. In integrating the imitation feature–the cornerstone of the newly structured method–into the Actor-Critic algorithm, two distinct approaches were adopted: imitation based on a fixed probability value and imitation based on the critic's decision. The impact of the imitation-enhanced Actor-Critic learning method on learning speed, compared to the classical Actor-Critic method, is evaluated through two-dimensional simulations on a maze pathfinding problem. In addition to comparing learning speeds of these methods, the study is supported by results demonstrating the stability of the learning processes and the variation of imitation probability over time. Simulation results show that the proposed learning method significantly accelerates learning overall, achieving optimal results in most maze environments, while the probabilistic imitation method does not perform well in reaching the optimum solution, especially in dynamic obstacle maze environments. However, it was observed that the stability of the Imitation-Enhanced Actor-Critic method presented in the study is higher compared to the standard Actor-Critic approach, with one exception. The findings indicate that integrating imitation learning into the Actor-Critic framework increases convergence to optimum solution and stability of the method, particularly in complex environments. The novel approach proposed in this study has potential applicability in autonomous navigation and robotic systems that require efficient learning through observation.
Benzer Tezler
- Yenilikçi moda tasarımında yapay zekanın rolü
The role of artificial intelligence in innovative fashion design
HAMIDEH BENAFI
Yüksek Lisans
Türkçe
2026
Güzel Sanatlarİstanbul Okan ÜniversitesiModa Tasarımı Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERNA UÇAR HATİPOĞLU
- Tarım sektöründe beşerî ve sosyal sermayenin etkisi: Japonya'da kadın girişimciliğinin çok katmanlı analizi
The impact of human and social capital in the agricultural sector: A multi-level analysis of women entrepreneurship in Japan
HIROKO KAWAMORITA
Doktora
Türkçe
2026
ZiraatOndokuz Mayıs ÜniversitesiTarım Ekonomisi Ana Bilim Dalı
PROF. DR. KÜRŞAT DEMİRYÜREK
- Öğretmenlerin mesleki gelişiminde sivil toplum kuruluşlarının rolü üzerine bir durum çalışması: Öğretmen Akademisi Vakfı
A case study on the role of non-governmental organizations in teachers' professional development: Teacher Academy Foundation
ENGİN GÜVEN
Doktora
Türkçe
2026
Eğitim ve ÖğretimBaşkent ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. BURHANETTİN DÖNMEZ
- Sosyal medya destekli harmanlanmış öğrenme yönteminin öğrencilerin matematik başarılarına ve öz-yeterlik algılarına etkisinin incelenmesi
Examining the effect of social media supported blended learning method on students' mathematics achievements and self-efficacy perceptions
CEMAL DURSUN
Yüksek Lisans
Türkçe
2018
Eğitim ve ÖğretimMarmara Üniversitesiİlköğretim Ana Bilim Dalı
DOÇ. DR. SARE ŞENGÜL
- Sosyal öğrenme destekli derin pekiştirmeli öğrenme
Social learning supported deep rainforcement learning
CEREN GÜLEN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBolu Abant İzzet Baysal ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET DİNÇER ERBAŞ