کاظم نیک فرجام - دانشجوی دکترای دانشگاه آزاد اسلامی – واحد قزوین

سیستمهای خودتطبیق، قادرند با وجود تغییرات در محیط های پویا نیازمندی های کیفیشان را حفظ کنند. برای توسعه این سیستم 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 محیطی بالقوه را پیش بینی کنیم. یادگیری تقویتی برخط با یاد گرفتن اثربخشی عملیات تطبیق از طریق تعامل سیستم با محیط در زمان اجرا، مشکل عدم قطعیت زمان طراحی را برطرف می کند، و میتواند توسعه منطق خودتطبیقی را بطور خودکار درآورد. روشهای یادگیری 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 سازی حالت های محیطی به صورت دستی داشته باشد. در این مقاله رویکردی را برای خودکارسازی فعالیتهای دستی فوقالذکر با استفاده از یادگیری تقویتی مبتنی بر سیاست، به عنوان نوع متفاوتی از یادگیری تقویتی معرفی میکنیم. امکان سنجی و کاربرد رویکرد را در توسعه منطق یک سیستم اطلاعاتی خودتطبیق نشان می دهیم.

حداکثر منطق خود تطبیق، یادگیری تقویتی برخط مبتنی بر سیاست، عدم قطعیت، سیستم خودتطبیق.