رهیافت جدیدی برای تبدیل محیط های غیر مارکوف به مارکوف و کاربرد آن در مسیریابی ربات های متحرک خودگردان
Publish place: 9th International Industrial Engineering Conference
Publish Year: 1391
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,055
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IIEC09_072
تاریخ نمایه سازی: 26 اسفند 1391
Abstract:
روشهای یادگیری ماشین به ویژه روشهای مبتنی بریادگیری تقویتی Reinforcement Learning که کاربرد گسترده ای درحوزههایی همچون داده کاوی و کنترل سیستم های الکترومکانیکی یافته اند عموما برایکاردرمحیطهای مارکوفی Markovian) طراحی شده اند و باحذف این ویژگی ازمحیط کارایی این روش ها بشدت کاهش می یابد دراین مقاله رهیافت جدیدی برای تبدیل محیطهای غیرمارکوفی Non-Markovian بهمحیطهای مارکوفی ارایه گردیدها ست دراین رهیافت وضعیت های STATE جدید با برقراری شرط استقلال وضعیت ها به صورت لایه ای به وضعیت های پیشین اضافه شده و درنتیجه هرکنش action درهروضعیت بهصورت کاملا مجزا ازوضعیتهای دیگر اعمال میگردد برای نشان دادنکارایی رهیافت پیشنهادی این روش درحل دو مساله کنترل حرکت یک ربات متحرک خودگردان درمحیطهای غیرمارکوفی به کارگرفته شده است دراین مسائل پس از اعمال روش پیشنهادی استفاده ازروش های کلاسیک یادگیری تقویتی همچون Q-Learning ، SARSA ، TD(0) R-Learning را ممکن ساخته است.
Keywords:
Authors
مهدی ایمانی
دانشجوی کارشناسی ارشد مهندسی برق
سیده فاطمه قریشی
دانشجوی کارشناسی ارشد مهندسی مکانیک
مسعود شریعت پناهی
دانشیار دانشگاه تهران
فرهاد ایمانی
دانشجوی کارشناس ارشد مهندسی صنایع
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :