Multi-agent reinforcement learning
Çoklu etmen takviye öğrenme
- Tez No: 82765
- Danışmanlar: DOÇ. DR. FARUK POLAT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: takviye öğrenme, çoklu-etmen öğrenme, çoklu-etmen koordinasy onu, Q-öğrenme iv, Öğrenme, Öğrenme yöntemleri, reinforcement learning, multi-agent learning, multi-agent coordination, un learning m, Learning, Learning methods
- Yıl: 1999
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
oz ÇOKLU-ETMEN TAKVİYE ÖĞRENME Şenkul, Selçuk Yüksek Lisans, Bilgisayar Mühendisliği Bölümü Tez Yöneticisi: Doç. Dr. Faruk Polat Ocak 1999, 28 sayfa Öğrenme, insanların zeki davranışları açısından önemli bir faktördür. Bireysel öğrenme dışında genellikle toplu öğrenme gözlemlenir. Çoklu-etmen sistemleri bu davranışları göstermek için kullanılabilir. Bu tezde, çoklu-etmen sistemlerinde takviye öğrenme çalışılmıştır. Bir av-avcı oyunu deneysel ortam olarak kullanılmıştır. Geçmiş çalışmalarda kullanılan iyi bilinen stratejiler denenerek, takviye öğrenme için kesin kuralların ol madığı gösterilecektir. Etmenlerin performansını arttıracak birkaç yenilik önerilmiştir. Bu öneriler, sadece gerektiği kadar durum tutarak, durum sayısını azaltmaya yöneliktir.
Özet (Çeviri)
ABSTRACT MULTI- AGENT REINFORCEMENT LEARNING Şenkul, Selçuk M.S., Department of Computer Engineering Supervisor: Assoc. Prof. Dr. Faruk Polat January 1999, 28 pages Learning is an important factor in intelligent behavior of humans. Besides individual learning, we usually observe collective learning. Multi-agent systems can be adjusted to show this behavior. In this thesis, we study reinforcement learning in multi-agent systems. A capture game in a grid world is taken as the experiment medium. We try some well known strategies from previous works and show that there are no strict rules for reinforcement learning. We also suggest two new improvements to increase the performance of agents. These strategies decrease the number of states while keeping as much state as necessary.
Benzer Tezler
- Multi agent reinforcement learning using function approximation
Fonksiyon yaklaşımı kullanarak çoklu etmen takviye öğrenme
OSMAN ABUL
Yüksek Lisans
İngilizce
1999
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FARUK POLAT
- S-learning: A multi-agent reinforcement learning method
S-öğrenme: Bir çoklu-etmen takviye-öğrenme metodu
UĞUR KUTER
Yüksek Lisans
İngilizce
2000
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FARUK POLAT
- Saf ve cam elyaf takviyeli naylon 6 numunelerinin kalıplanması ve bazı özelliklerinin incelenmesi
Molding and determination of some properties of nylon 6 with and without glass fiber reinforcement
NİHAT AYDIN
- Coordination of agents in multi-agent search
Çok etmenli aramada etmenlerin koordinasyonu
ARMAĞAN ÇAKIR
Yüksek Lisans
İngilizce
2000
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FARUK POLAT
- A Negatiation platform for cooperating multi-agents systems
Yardımlaşan akıllı sistemler için bir model
FARUK POLAT
Doktora
İngilizce
1993
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiPROF. DR. H. ALTAY GÜVENİR
