تنظیم اولیه ی معماری یادگیری تقویتی فازی با استفاده از روش تکرار ارزش

این پژوهش روشی جدید در استفاده از داده های تعاملی عامل و محیط برای تنظیم اولیه ی معماری یادگیری تقویتی فازی ارایه می دهد. کندی سرعت آموزش و نحوه ی تعیین مقدار توابع عضویت ورودی دو چالش مهم در معماری یادگیری تقویتی فازی هستند. تنظیم اولیه ی پارامترهای سیستم با استفاده از داده های تعاملی می تواند راهکار مناسبی برای رفع چالش های اشاره شده باشد. در این پژوهش ابتدا با تعامل عامل با محیط و جمع آوری داده آموزشی، ماتریس احتمال انتقال حالت-عمل به حالت بعدی و امید پاداش آنی حالت-عمل به حالت بعدی محاسبه می شود. با توجه به پیوسته بودن فضای مورد بررسی، جهت تولید دو ماتریس مذکور از خوشه بندی استفاده می شود. هر خوشه یک حالت از محیط لحاظ شده و بدین صورت یک تقریب احتمال گذر از یک خوشه به خوشه ی دیگر با توجه به داده ها تعیین می شود. سپس پارامترهای سیستم فازی با تعمیم روش تکرار ارزش برنامه سازی پویا برای فضای پیوسته تنظیم می گردد. نحوه ی استفاده از روش پیشنهادی با یک مثال به طور کامل شرح داده شده است. استفاده از این روش می تواند منجر به افزایش سرعت یادگیری و کمک در تنظیم توابع عضویت ورودی سیستم فازی گردد.