دانلود پروژه: گسسته سازی تطبیقی برای بدست آوردن مقدار بهینه پیوسته

• مقدمه

آموزش تقويتي[1] يک روش قوي مدرن براي آموزش روی خط استراتژی‌های کنترل از طريق تعامل با محيط است. اين روش تنها با استفاده از يك معيار اسكالر راندمان، كه سيگنال تقويت يا پاداش[2] ناميده مي‌شود، بدون نياز به سرپرست قادربه آموزش عاملها در محيطهاي پيچيده، ناقطعي و تصادفي مي‌باشد. سازماندهي الگوريتم‌هاي آموزش تقويتي بر مبناي تخمين ارزشِ[3] حالت ) يا جفت حالت- عمل ( مي‌باشد [1]. در آموزش تقويتي استاندارد (گسسته) مقدار ارزشِ حالت  ) يا جفت حالت- عمل ( در جدول ارزش، ذخيره شده و در هر قدم كه آن حالت ) يا جفت حالت- عمل ( ملاقات شوند به روز رساني انجام مي‌گيرد. همانطور که از کلمه گسسته بر می‌آید، فضای حالت و عمل در آموزش تقویتی استاندارد گسسته است. لیکن بسیاری از مسائل عملی داری فضای حالت یا عمل پیوسته هستند. یکی از راهکارهای پیشنهادی در این قبیل مسائل ‌گسسته‌سازی فضای حالت و عمل می‌باشد [2و3]. اما یک معضل تعداد ‌گسسته‌سازی‌ها است، از یک طرف برای افزایش دقت باید ‌گسسته‌سازی با فواصل بسیار کوچکی ( تعداد عملها و حالتهای بسیار زیاد ) انجام شود و از طرف دیگر افزایش تعداد عملها، باعث کندی سرعت آموزش و در واقع مشکل تنگناي ابعاد [4]می‌گردد]26]. بنابراين استفاده از تقريب زننده هاي تابع براي تقريب  تابع ارزش در اينگونه مسائل ضروري است . بر اين اساس محققين با تركيب الگوريتم هاي آموزش تقويتي گسسته با تقريب زننده هايي همچون شبكه هاي عصبي و منطق فازي، الگوريتم هاي آموزش تقويتي پيوسته را ارائه داده اند. كاربردهاي گسترده و عملكرد مطلوب سيستم استنتاج فازي در كنترل و مسائل پيچيده و نيز مزايايي چون امكان گنجاندن دانش بشري، ارائه دانش بصورت قواعد اگر- آنگاه، و قابليت مدلسازي و كنترل سيستمهاي غير خطي با ترکيب سسيتم هاي فازي بعنوان تقريب ، باعث شده است تا محققين با ترکیب سیستم های فازی بعنوان تقریب زننده با روشهای آموزش تقویتی ، الگوريتمهاي آموزش تقويتي فازي(FRL) را ارائه دهند[1] .

[1] Reinforcement Learning

[2] Reward

[3] Value

[4] Cures of dimensionality