ارائه ی چارچوبی تفسیرپذیر و پایدار مبتنی بر یادگیری تقویتی عمیق برای تصمیم گیری تطبیقی در محیط های پویا

الگوریتم های یادگیری تقویتی عمیق (DRL) علی رغم موفقیت در حل مسائل پیچیده، در محیط های پویا با دو چالش اساسی «عدم پایداری در برابر تغییرات توزیع داده ها» و «ماهیت غیرشفاف تصمیم گیری» روبرو هستند. این چالش ها مانع از به کارگیری آن ها در سیستم های حساس به امنیت می شود. پژوهش حاضر با هدف رفع این محدودیت ها، یک چارچوب هیبریدی نوین ارائه می دهد که در آن لایه تصمیم گیری مبتنی بر الگوریتم بهینه PPO با یک ماژول تفسیرپذیر مفهوم محور (Concept-based) ادغام شده است. راهکار پیشنهادی با بهره گیری از تکنیک های تنظیم کننده (Regularization) برای پایداری و تحلیل نقشه های برجستگی (Saliency Maps) برای شفاف سازی، امکان تصمیم گیری تطبیقی را فراهم می کند. ارزیابی های تجربی در محیط های شبیه سازی پویا نشان می دهد که مدل پیشنهادی به دقت ۹۶.۴٪ در اجرای سیاست های بهینه دست یافته و در مقایسه با مدل های پایه (Baseline) مانند SAC و DQN، پایداری عملکرد را تا ۱۸٪ در محیط های نویزی افزایش داده است. همچنین، نتایج نشان دهنده بهبود ۱۴ درصدی در شاخص وفاداری (Fidelity) توضیحات نسبت به متدهای پس ینی (Post-hoc) متداول است. این نتایج تایید می کند که چارچوب پیشنهادی تعادلی بهینه میان عملکرد فنی و تفسیرپذیری انسانی برقرار کرده است.

کلیدواژه ها:

یادگیری تقویتی عمیق ، تفسیرپذیری مدل (XRL) ، تصمیم گیری تطبیقی ، پایداری سیستم ، محیط های پویا ، هوش مصنوعی اعتمادپذیر