دانلود پروژه: ارزیابی سیستم های دسته بند یادگیر برای تعیین استراتژی بهینه در بازی‌های رقابتی

تعداد 106صفحه در فایل word

کارشناسی ارشد(M.SC)

گرايش نرم افزار

ارزیابی سیستم های دسته بند یادگیر برای تعیین استراتژی بهینه در بازی‌های رقابتی

چکیده

نقش یادگیری در همه صحنه‌های زندگی نمایان است. یادگیری عبارت است از به دست آوردن دانش و یا فهم آن از طریق مطالعه، تجربه یا آموزش. یادگیری ماشین به عنوان یکی از شاخه‌های وسیع و پرکاربرد هوش مصنوعی به تنظیم و اکتشاف شیوه‌ها و الگوریتم‌های یادگیری می‌پردازد. انواع مختلفی از الگوریتم های یادگیری مانند یادگیری تقویتی، الگوریتم ژنتیک، الگوریتم مورچگان و سیستم های دسته بند یادگیر وجود دارد. سیستم های دسته بند یادگیر انواع قدرتمندی از تکنیک‌های یادگیری مبتنی بر قاعده هستند که بر پایه‌ی دو رهیافتِ یادگیری تقویتی و الگوریتم های تکاملی، بنا شده و می‌توانند برای دسته بندی وظایف استفاده شوند. این سیستم ها از سه مولفه اصلیِ بازنمایی دانش، یادگیری تقویتی و تکامل قوانین تشکیل شده است. بسته به تکنیک های متفاوتی که برای این سه مولفه تعریف می شود، سیستم های دسته‌بند یادگیرِ متفاوتی به وجود آمدند اما از دیدگاه کلی به دو خانواده بزرگ میشیگان و پیتسبرگ تقسیم می شوند. در این سیستم ها تعیین بهترین سبک در مسئله های مختلف، برای استفاده بهینه از آن ها، بسیار مهم و اساسی است. هر مسئله شرایط مختلفی دارد که استراتژی های متفاوتی را می‌طلبد. از رو در این پایان نامه، به ارزیابی عملکرد سه سبک مهمِ LCS از آقای هلند، ZCS وXCS از آقای ویلسون و نیز مقایسه آن ها برای تعیین بهترین سبک و بدست آوردن بهینه‌ترین استراتژی برای مسئله‌ میز است. نتایجی که از پیاده سازی و شبیه سازی این سه سبک در پنج محیطِ متفاوت از میز بدست آمده، نشان دهنده برتری XCS نسبت به ZCS و LCS دارد. در پیاده سازی رقابتی XCS و ZCS نیز XCS عملکرد بهتری را نشان داده است.

کلمات کلیدی: سیستم های دسته بند یادگیر، LCS، XCS، ZCS ، میز