کاظم نیک فرجام - عضو هیات علمی دانشگاه آزاد اسلامی- واحد بیرجند

سیستم های خودتطبیق، قادرند با وجود تغییرات در محیط های پویا نیازمندی های کیفیشان را حفظ کنند . برا ی توسعه اینسیستم ها، مهندسان باید بتوانند منطق خودتطبیقی که زمان و نحوه تطبیق سیستم را به شکل مناسبی بیان نماید، ایجاد کنند.توسعه منطق خودتطبیق سیستم ، به دلیل عدم قطعیت ها در زمان طراحی، دشوار است زیرا نمی توانیم تمام تغییرات محیطیبالقوه را پیش بینی کنیم. یادگیری تقویتی برخط با یاد گرفتن اثربخشی عملیات تطبیق از طریق تعامل سیستم با محیط در زماناجرا، مشکل عدم قطعیت زمان طراحی را برطرف می کند، و میتواند توسعه منطق خودتطبیقی را بطور خودکار درآورد . روش هاییادگیری تقویتی برخط موجود برای توسعه سیستم های خودتطبیق، دو نقص دارند که درجه خودکارسازی را محدود می کند:۱- نیازمند تنظیم دقیق نرخ اکتشاف بصورت دستی هستند و ۲- ممکن است برای تقویت مقیاس پذیری نیاز به کمی سازیحالت های محیطی به صورت دستی داشته باشد. در این مقاله رویکردی را برای خودکارسازی فعالیت ها ی دستی فوق الذکر بااستفاده از یادگیری تقویتی مبتنی بر سیاست، به عنوان نوع متفاوتی از یادگیری تقویتی معرفی می کنیم. امکان سنجی و کاربردرویکرد را در توسعه منطق یک سیستم اطلاعاتی خودتطبیق نشان می دهیم.

منطق خود تطبیق، یادگیری تقویتی برخط ، عدم قطعیت، سیستم خودتطبیق