عنوان پایان‌نامه
یادگیری مفاهیم و انتقال آن به عاملهای غیر همسان
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 42915;کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1622
- تاریخ دفاع
- ۰۸ مهر ۱۳۸۸
- دانشجو
- بابک حسینی
- استاد راهنما
- مجید نیلی احمدآبادی, بابک نجاراعرابی
- چکیده
- از مسائل مطرح و مورد بررسی در حوزه هوش‌مصنوعی، یادگیری مفاهیم توسط عاملهای هوشمند در محیط‌های واقعی است. تا کنون ابزارهای بسیاری در این زمینه طراحی و یا پیشنهاد شده است که هر یک نقاط قوت وضعف مخصوص به خود را دارد. یکی از بحث‌های مطرح شده در پژوهش‌های اخیر، تعریف مفاهیم در فضای اعمال و استفاده از معنی کارکردی مفاهیم برای شکل‌دهی آن‌ها در ذهن عامل است. بررسی‌ها نشان داده است که این رویکرد مشابه با شیوه برخورد انسان با مفاهیم موجود در محیط اطراف و مجردسازی دانش خود در مورد محیط و همچنین تعمیم این دانش به محیط‌های مختلف است. در این پایان‌نامه، با الهام گرفتن از رویکرد فوق، روشی ارائه شده است که قادر به تعریف و یادگیری مفاهیم در فضایی از جنس اعمال پایه‌ی عامل هوشمند است. در این روش از توالی اعمال پایه استفاده شده و ویژگی‌هایی به نام ویژگی‌های رفتاری تعریف شده‌اند. مقدار این ویژگی‌ها برابر است با تعداد عضو قابل اجرا از آن ویژگی. با توجه به این مطلب که مقدار هر ویژگی در نقاط مختلف محیط متفاوت است، بخش‌های مختلف محیط را می‌توان به صورت مفاهیم متمایز در فضای تشکیل شده از بردارهای پایه این ویژگی‌ها طبقه‌بندی نمود. در این الگوریتم استخراج ویژگی‌ها و متعاقبا یادگیری و تمایز مفاهیم به صورت تدریجی و بر اساس میزان تعامل عامل با قسمت‌های مختلف محیط صورت می‌گیرد. در کنار مفاهیم اصلی، مفاهیمی نیز به عنوان مفاهیم کمکی تعریف می‌شوند که برای کمک به تمایز مفاهیم اصلی از سایر قسمت‌های محیط مسئله استفاده می‌شوند. الگوریتم فوق بر روی یک بستر ربات متحرک تست و ارزیابی شده است. تعریف مفاهیم در چهارچوب ارائه شده در این الگوریتم موجب تجرید و استقلال آن‌ها از محیط مسئله شده و می‌توان از این شکل تعریف مفاهیم در ذهن عامل، برای اهداف بعدی از جمله برنامه‌ریزی سطح بالا (HLP) استفاده نمود. همچنین استفاده از مفاهیم کمکی می‌تواند به عامل کمک کند تا مدلی تقریبی از محیط فعلی خود بدست آورده و تصمیم‌گیری‌های خود را با خصوصیات این محیط تطبیق دهد. با توجه به انتزاعی بودن مفاهیم بدست آمده در ذهن عامل و استقلال تعریف آن‌ها از فضای حسی و محیط مسئله، مفاهیم قابلیت منتقل شدن به عاملهای دیگر با فضای حسی متفاوت را خواهند داشت.
- Abstract
- Abstract: In this research, a novel approach is proposed in which an intelligent agent can learn complex concepts in abstract forms. This approach provides a useful tool for non-episodic problems, where agent must search the environment to find special concepts; in addition, yielded abstract representation of the concepts can be used in further high level planning tasks. In order to perform concept learning process in this framework, agent utilizes its own actions according to limitations of sensory data and complexity of related analysis. It extracts required features from environment according to complexity of concepts and their distinctions. These features are composed of sequences of agent’s primitive actions and value of each feature is determined according to number of its feasible sequences. So, when agent tests a specific BF in various parts of environment, the feature can achieve different values. By taking advantage of this fact, we can define concepts in a way that they can be distinguished based on their features’ values. Besides main concepts, Agent classifies some Auxiliary Concepts in order to improve its concept recognition. These concepts aid agent to attain an approximate model of current environment in order to adapt its decisions according to it. The proposed method is tested on a mobile robot benchmark, and learnt concepts are used for a path planning problem. The simulation results demonstrate the capability of our approach in abstracting concepts in order to utilize them in other environments and different tasks. Furthermore, this abstract representation of concepts makes it easy to transfer them to other heterogeneous agents.
