Pekiştirmeli öğrenme ve yapay sinir ağları ile suüstü harbinin modellenmesi
Modeling of surface warfare with reinforcement learning and artificial neural network
- Tez No: 733690
- Danışmanlar: PROF. DR. AYHAN DEMİRİZ
- Tez Türü: Yüksek Lisans
- Konular: Savunma ve Savunma Teknolojileri, Defense and Defense Technologies
- Anahtar Kelimeler: Deneysel öğrenme, Deniz savaşları, Doğrusal olmayan regresyon, Makine öğrenmesi, Makine öğrenmesi yöntemleri, Senaryo tabanlı öğrenme, Yapay sinir ağları, Çoklu regresyon, Çoklu regresyon analizi, Experimental learning, Naval warfares, Nonlinear regression, Machine learning, Machine learning methods, Cenario based-learning, Artificial neural networks, Multiple regression, Multiple regression analysis
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Savunma Teknolojileri Enstitüsü
- Ana Bilim Dalı: Savunma Bilimi ve Teknolojisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, savaş stratejilerinin yapay zekâ algoritmaları ile hem gerçek hayata en yakın, hem de en uygun sonuçları alacak şekilde belirlenerek savunma sektöründeki harcamalardan tasarruf edilebilecek planlamaların yapılabilmesi veya gerçek harp ortamında ortaya çıkabilecek ihtiyaçların belirlenebilmesi amaçlanmıştır. Literatür araştırması kapsamında deniz harbinde bir mühimmatın isabet durumuna etki eden faktörler araştırılmış ve bu faktörler dikkate alınarak olası bir angajmanda ihtiyaç duyulacak mühimmat miktarları için regresyon yöntemi uygulanmıştır. Regresyon yöntemleri kapsamında yapay sinir ağları kullanılarak suüstü harbindeki bir unsurun diğerine hangi füzeden kaç adet atması gerektiği hesaplanmıştır. Akabinde doğrusal programlama ile söz konusu unsurun üzerinde taşıdığı füzelerin hangisinden kaç adet kullanması gerektiği hesaplanmıştır. Doğrusal programlamadaki karar mekanizmasını mühimmatın regresyon modeli ile belirlenen imha gücü ve bu mühimmatın birim maliyeti oluşturmuştur. Son olarak Q-öğrenme algoritmasıyla herhangi bir deniz harbi rasgele bir şekilde defalarca simüle edilmiş, bu sayede dost ve düşman unsurların harekât tarzlarının optimize edilmesini sağlayan bir model geliştirilmiştir. Modelin geliştirilmesi için kullanılacak algoritmalar literatür araştırmasıyla ortaya çıkarılmıştır. Literatür araştırması sırasında bir deniz harbini simüle eden benzer bir çalışmaya rastlanamamıştır. Bu sebeple bir deniz harp nevi olan suüstü harbinin simüle edilmesini sağlayan bu model ile doğası gereği belirsizlikler taşıyan harp ortamlarında daha doğru stratejilerin daha hızlı bir şekilde geliştirilebilmesine katkı sağlanacağı değerlendirilmektedir.
Özet (Çeviri)
In this study, it is aimed to make plans that can save on expenditures in the defense sector or to determine the needs that may arise in the real war environment by determining the war strategies with artificial intelligence algorithms. Within the scope of the literature research, the factors affecting the accuracy of an ammunition in naval warfare were investigated, and the regression method was applied for the amount of ammunition that would be needed in a possible engagement, taking these factors into account. Within the scope of regression methods, using artificial neural networks, how many missiles should be fired by an platform in surface warfare to another is calculated. Then, with linear programming, it was calculated how many and which missiles it should use. The decision mechanism in linear programming was determined by the regression model of the ammunition and the unit cost of this ammunition. Finally, any naval warfare has been randomly simulated many times with the Q-learning algorithm, thus a model has been developed that optimizes the operational styles of friendly and enemy elements. Algorithms to be used for the development of the model were revealed through literature research. During the literature search, no similar study simulating a naval warfare could be found. For this reason, it is considered that this model, which allows simulating surface warfare, which is a type of naval warfare, will contribute to the development of more accurate strategies more quickly in warfare environments that are inherently uncertain.
Benzer Tezler
- Automated curriculum design for reinforcement learning with graph theory and evaluation heuristics
Çizge kuramı ve değerlendirme bazlı sezgisel yöntemler ile pekiştirmeli öğrenme için otomatik müfredat tasarımı
ANIL ÖZTÜRK
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE
- Unity3D ortamında derin pekiştirmeli öğrenme ile eğitilen uçakların performansı
Performance evaluation of aircraft agents trained with deep reinforcement learning in Unity3D environment
METE CANTEKİN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Nişantaşı ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. İBRAHİM FURKAN İNCE
PROF. ONUR OSMAN
- Continual learning with sparse progressive neural networks
Seyrek ilerlemeli sinir ağları ile sürekli öğrenme
ESRA ERGÜN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
- Kablo ile sürülen paralel robotların model tabanlı ve pekiştirmeli öğrenme ile konum denetimi
Position control of cable-driven parallel robot with model-based and reinforcement learning method
FATMA YAMAÇ
Yüksek Lisans
Türkçe
2020
Makine MühendisliğiKaradeniz Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET İTİK
- Makı̇ne öğrenmesı̇ ı̇le sürü robotları ı̇çı̇n savaş stratejı̇sı̇ modelı̇
A q-learning based approach for simple and multi-agent systems
ÜMİT ULUSOY
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET SERDAR GÜZEL