مطالعه تطبیقی بر کیفیت و زمان اجرایی الگوریتم های API و PBPI در دامنه های رویت پذیر و نیمه رویت پذیر مارکوف

انتخاب کنش خوب، موضوع اصلی در هر گام تصمیم گیری برای رسیدن به موفقیت در سیستم های طبیعی و مصنوعی یادگیری تقویتی به شمار می رود. به همین دلیل، انتخاب کنش خوب در سیستم های نیمه رویت پذیر مارکوف به منظور رسیدن به راه حل های بهتر، ضروری به نظر می رسد. در این مقاله، با توجه به موضوع افزایش کیفیت و کاهش زمان اجرایی الگوریتم ها به منظور رسیدن به سیاست خوب، به ارزیابی الگوریتم های تکرار سیاست تقریبی API و تکرار سیاست مبتنی بر رجحان PBPI در محیطهای رویت پذیر و نیمه رویت پذیر مارکوف پرداخته شده است. برای ارزیابی نیز، از سه محیط آموزشی معتبر ماشین_کوهستان، پاندول معکوس و ماز استفاده شده است. نتایج آزمایشگاهی، برتری الگوریتم PBPI نسبت به API را نشان می دهد که در اولی، رتبه بند و در دومی کلاسبند، به عنوان سیاست یادگیری عمل می کند. همچنین نتایج بدست آمده، کیفیت بالاتر و زمان اجرای کمتر الگوریتم ها را در محیط های رویت پذیر، نسبت به محیط های نیمه رویت پذیر نشان می دهد.

Keywords:

فرایند تصمیم سازی مارکوف , یادگیری تقویتی , تکرار سیاست مبتنی بر رجحان , تکرار سیاست تقریبی