یادگیری تقویتی عمیق چندهدفه با وزن دهی پویا و تطبیق سریع با استفاده از شبکه های شرطی و تکرار تجربه متنوع

یادگیری تقویتی چندهدفه به عنوان یکی از رویکردهای موثر در طراحی سیستم های تصمیم یار هوشمند می باشد که با مسئله ی تصمیم گیری همزمان میان اهدافی مواجه بوده است و اغلب ماهیتی متعارض را داشته است که اولویت آنها در طول زمان تغییر خواهد کرد. در محیط های پویا و پیچیده تغییر ناگهانی شرایط می تواند ترجیحات تصمیم گیرنده را عوض کند و این امر نیازمند سیاست هایی است که علاوه بر پایداری، یادگیری از توان سازگاری و تعمیم بالایی برخوردار باشند. پژوهش حاضر با هدف پاسخ به این چالش یک چارچوب نوین برای یادگیری تقویتی عمیق چندهدفه مبتنی بر وزن دهی پویا ارائه شده است که امکان تطبیق سریع را بر اساس سیاست ها با تغییر اولویت اهداف را فراهم می کند. روش پژوهش از نوع نیمه آزمایشی و مبتنی بر شبیه سازی بوده که ارزیابی آن در مجموعه ای از محیط های استاندارد یادگیری تقویتی چندهدفه انجام شده است. در این چارچوب سیاست تصمیم گیری با استفاده از شبکه های عصبی شرطی نسبت به بردار وزن اهداف شرطی سازی شده است و به منظور افزایش تنوع تجربیات و حفظ ثبات فرآیند یادگیری از سازوکار تکرار تجربه متنوع بهره گرفته شده است. عملکرد روش پیشنهادی با معیارهایی نظیر کیفیت جبهه، پارتو، پایداری یادگیری و سرعت سازگاری مورد ارزیابی قرار گرفته شده است و نتایج حاصل نشان می دهد که چارچوب پیشنهادی در مقایسه با روش های مرجع تعادل موثرتری میان اهداف متعارض برقرار کرده، از همگرایی با ثبات تری برخوردار است و توانایی بالاتری در تطبیق با تغییرات ناگهانی اولویت ها از خود نشان می دهد. این یافته ها بیانگر ظرفیت بالای روش پیشنهادی برای به کارگیری در مسائل واقعی یادگیری تقویتی چندهدفه در محیط های پویا است.

کلیدواژه ها:

یادگیری تقویتی چندهدفه ، وزن دهی پویا ، شبکه عصبی شرطی ، تصمیم گیری چندهدفه ، تطبیق سریع ، پایداری یادگیری