فایل پی دی اف کامل مقاله چارچوبی برای یادگیری ماشین به صورت تعاملی سیستم های چند عامل PDF

توجه : این فایل به صورت فایل PDF (پی دی اف) ارائه میگردد

 فایل پی دی اف کامل مقاله چارچوبی برای یادگیری ماشین به صورت تعاملی سیستم های چند عامل PDF دارای ۹ صفحه می باشد و دارای تنظیمات و فهرست کامل در PDF می باشد و آماده پرینت یا چاپ است

فایل پی دی اف فایل پی دی اف کامل مقاله چارچوبی برای یادگیری ماشین به صورت تعاملی سیستم های چند عامل PDF  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل پی دی اف کامل مقاله چارچوبی برای یادگیری ماشین به صورت تعاملی سیستم های چند عامل PDF،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل پی دی اف کامل مقاله چارچوبی برای یادگیری ماشین به صورت تعاملی سیستم های چند عامل PDF :

دانلود فایل پی دی اف کامل مقاله چارچوبی برای یادگیری ماشین به صورت تعاملی سیستم های چند عامل PDF

موضوع انگلیسی:A Framework for Machine Learning in Interactive
Multi-Agent Systems
زبان: انگلیسی
فرمت فایل: pdf
تعداد صفحه:۹
سال انتشار:۲۰۱۵

چکیده

سیستم های چند عاملی در حوزه های پیچیده و زمان واقعی مستلزم آن است که عوامل به طور م bothثر و مستقل و به عنوان بخشی از یک تیم عمل کنند. این
پیچیدگی بسیاری از وظایف ناشی از این حوزه ها ، حل آنها را با رفتارهای عامل از پیش برنامه ریزی شده دشوار می کند. این
در عوض ، عوامل باید به تنهایی با استفاده از یادگیری راه حلی را کشف کنند. در این مقاله ، ما چارچوبی برای MLIMAS ارائه می دهیم
یادگیری ماشین در سیستم های تعاملی چند عامل MLIMAS پیشنهاد شده است تا به مسائل ناشی از آن پاسخ دهد
ادغام الگوریتم های یادگیری ماشین در سیستم های تعاملی چند عاملی ، با تمرکز بر سه س iال ۱) یادگیری چیست
اهداف برای نمایندگان؟ (ii) چگونه می توان سیستم یادگیری ماشین را در معماری عامل ادغام کرد؟ و (iii) چگونه نمایندگان می توانند
تعاملی یاد بگیرید ؟. MLIMAS به این سه س plusال به علاوه پشتیبانی از سیستم های چند عاملی متشکل از خودمختار و
عوامل تطبیقی که در زمان واقعی و محیط های پر سر و صدا عمل می کنند. در نتیجه چنین قابلیت های مورد نیاز ، MLIMAS اجازه می دهد تا پویا باشد
و رفتار هوشمندانه عوامل برای دستیابی م goalsثر به اهداف محلی و ائتلافی خود از طریق الگوبرداری از سایر عوامل
اقدامات ، و استفاده متقابل از مزایای ترجیحات خود و دیگران در یادگیری و دستیابی به اهداف نمایندگان. ما مطالعه کردیم
چارچوب پیشنهادی در حوزه تاکسی در مقایسه با الگوریتم سنتی Q-Learning بدون سهم تعاملی از
اطلاعات آزمایشات ما ۲ برابر بهبود جایزه متوسط دریافتی در هر دنباله نمایندگی را نشان داد تا جایزه
رویکرد سنتی Q-Learning علاوه بر این ، ما ۸۰ درصد پیشرفت برای تعداد مشابه آزمایشات عوامل داریم
مسافران