دانلود مقاله انگلیسی رایگان:سیاست های قابل تفسیر برای یادگیری تقویتی  توسط مجموعه های فازی تجربی - 2020
دانلود بهترین مقالات isi همراه با ترجمه فارسی
دانلود مقاله انگلیسی یادگیری تقویتی رایگان
  • Interpretable policies for reinforcement learning by empirical fuzzy sets Interpretable policies for reinforcement learning by empirical fuzzy sets
    Interpretable policies for reinforcement learning by empirical fuzzy sets

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Interpretable policies for reinforcement learning by empirical fuzzy sets


    ترجمه فارسی عنوان مقاله:

    سیاست های قابل تفسیر برای یادگیری تقویتی توسط مجموعه های فازی تجربی


    منبع:

    Sciencedirect - Elsevier - Engineering Applications of Artificial Intelligence, 91 (2020) 103559. doi:10.1016/j.engappai.2020.103559


    نویسنده:

    Jianfeng Huang a,∗, Plamen P. Angelov b, Chengliang Yin a


    چکیده انگلیسی:

    This paper proposes a method and an algorithm to implement interpretable fuzzy reinforcement learning (IFRL). It provides alternative solutions to common problems in RL, like function approximation and continuous action space. The learning process resembles that of human beings by clustering the encountered states, developing experiences for each of the typical cases, and making decisions fuzzily. The learned policy can be expressed as human-intelligible IF-THEN rules, which facilitates further investigation and improvement. It adopts the actor–critic architecture whereas being different from mainstream policy gradient methods. The value function is approximated through the fuzzy system AnYa. The state–action space is discretized into a static grid with nodes. Each node is treated as one prototype and corresponds to one fuzzy rule, with the value of the node being the consequent. Values of consequents are updated using the Sarsa(????) algorithm. Probability distribution of optimal actions regarding different states is estimated through Empirical Data Analytics (EDA), Autonomous Learning Multi-Model Systems (ALMMo), and Empirical Fuzzy Sets (εFS). The fuzzy kernel of IFRL avoids the lack of interpretability in other methods based on neural networks. Simulation results with four problems, namely Mountain Car, Continuous Gridworld, Pendulum Position, and Tank Level Control, are presented as a proof of the proposed concept.
    Keywords: Interpretable fuzzy systems | Reinforcement learning | Probability distribution learning | Autonomous learning systems | AnYa type fuzzy systems | Empirical Fuzzy Sets


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 13
    حجم فایل: 2404 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi