الگوریتم یادگیری تقویتی طرح ریزی اکتشافی اعمال شده به سیستم های تصمیم گیری استراتژی بازی role-playing: Dyna- H

یکی از مهمترین وظایف در قانون بازی، پیدا کردن حرکت بهینه است. در واقع تکنیک سیستم تصمیمگیری، تبدیل به یکی ازاجزای مهم بازی میشود. تصمیمات گرفته شده برای روش مورد نظر به عنوان مثال: آنلاین، گروهی و یا شبیهسازی شده و منابعمصرف شده در تصمیمگیری اجرای زمان، حافظه به میزان زیادی، عملکرد بازی را تحت تأثیر قرار میدهند. هنگامی که امکان استفاده از الگوریتمهای جستجوی کلاسیک مانند Aوجود دارد، این الگوریتمها اولین انتخاب برای محاسبهی راه حلهای بهینه هستند. با این وجود، به این دلیل که چنین روشهایی متکی بر دقت و داشتن مدلهای کاملی از فضای جستجو میباشند، محاسبهی راهحلهای بهینه توسط این الگوریتمها میتواند برای محیطهای بسیار بزرگ مشکل باشد، به طوری که بسیاری از سناریوهای جالب وجود دارند که استفاده از آنها امکان پذیر نیست؛ از این رو، روشهای بدون مدل برای تصمیمگیری، تحت شرایط غیر قطعی بهترین انتخاب هستند. در این مقاله، الگوریتم جدید طرحریزی اکتشافی با نامDyna-Hپیشنهاد شده است که مبتنی بر ساختار شناخته شدهیDynaمیباشد و توانایی جستجوی اکتشافی در مسیریابی را دارد. . الگوریتم پیشنهادی DYNA-HمانندA مسیر های مناسب تر را برای ارائه نتایج، از بین کل مسیر های موجود انتخاب می کند. با این حال برخلافA دارای مزایای بدون مدل الگوریتم تقویتی یادگیری است. الگوریتمDyna-Hرا با دو الگوریتم مسیریابی یادگیری- Dyna-Q و Q از نظر میزان و سرعت یادگیری مورد مقایسه قرار داده و این نتیجه حاصل شد کهDyna-Hدر مسائلمسیریابی نتایجی به وضوح بهتر را فراهم می نماید

Keywords:

صمیم گیری , مسیریابی , جستجوی اکتشافی , A , یادگیری تقویتی