بررسی کارایی سیستم های دسته بند یادگیر با رویکردهای مختلف یادگیری تقویتی برای حل مسئله ماز

در این پژوهش، عملکرد سه رویکرد هوش مصنوعی شامل الگوریتم ژنتیکی، یادگیری تقویتی و سیستم های دسته بند یادگیر در حل مسئله مسیر یابی در محیط های ماز بررسی و مقایسه شده است. هدف اصلی، ارزیابی توانایی این الگوریتم ها در یافتن مسیر بهینه از مبدا به مقصد در مازهای پیچیده با موانع متعدد است. برای این منظور، هر الگوریتم در محیطی یکسان پیاده سازی شده و با استفاده از معیارهایی نظیر تعداد گام ها تا رسیدن به هدف، تعداد اپیزودهای آموزشی تا رسیدن به عملکرد قابل قبول، میزان مصرف حافظه و نرخ همگرایی مورد ارزیابی قرارگرفته است. این مقاله، با حل مسئله ماز با الگوریتم ژنتیک، انواع الگوریتم های یادگیری تقویتی و سیستم های دسته بند یادگیر، نقاط قوت و ضعف متمایز این رویکردها را نشان می دهد. هر الگوریتم روش های منحصر به فردی برای یافتن مسیر ارائه می دهد که تحت تاثیر اصول اساسی و کارایی عملیاتی آنها قرار دارد. نتایج نشان می دهد که الگوریتم ژنتیک با وجود همگرایی سریع تر، در برخی موارد دچار نوسان در کیفیت مسیر می شود. در مقابل، الگوریتم Q-Learning به صورت تدریجی ولی پایدار به راه حل بهینه نزدیک می شود. سیستم های دسته بند یادگیر نیز با ارائه قوانین قابل تفسیر، عملکرد قابل قبولی از خود نشان داده اند، هر چند همگرایی آنها نسبت به دو الگوریتم دیگر کندتر است و ترکیب ویژگی های الگوریتم های تقویتی و ژنتیکی در سیستم های دسته بند یادگیر نیز منجر به بهبود نسبی نتایج شده است. در مجموع، یافته های این پژوهش می تواند راهنمایی موثر برای انتخاب الگوریتم مناسب در کاربردهای مختلف مسیریابی و تصمیم گیری هوشمند فراهم آورد.

کلیدواژه ها:

مسئله ماز ، سیستم دسته بند یادگیر ، الگوریتم تقویتی ، الگوریتم ژنتیک