نقش پردازش موازی در افزایش سرعت همگرایی الگوریتمهای یادگیری تقویتی

یادگیری تقویتی به عنوان یکی از کاربردهای مهم در حوزه هوش مصنوعی می باشد و نقش مهمی در حل مسائل تصمیم گیری، پیچیده پویا و مبتنی بر تعامل ایفا می کند. با وجود موفقیت های چشمگیر این رویکرد، هزینه محاسباتی بالا، سرعت همگرایی پایین و ناکارآمدی در مقیاس های بزرگ، چالش های اساسی در کاربرد عملی آن به شمار می آیند. هدف اصلی این پژوهش بررسی تاثیر پردازش موازی بر افزایش سرعت همگرایی و بهبود کارایی الگوریتم های یادگیری تقویتی در محیط های پیچیده است. این مطالعه از نوع پیمایشی همبستگی بوده و با بهره گیری از شبیه سازی مبتنی بر مدل انجام شده است. جامعه آماری شامل مجموعه ای از محیط های استاندارد یادگیری تقویتی با ویژگی های پیچیدگی بالا بوده و نمونه ها به صورت هدفمند انتخاب شده اند و همچنین ابزار پژوهش چارچوب پردازش موازی الگوریتم های یادگیری تقویتی ارائه شده که در آن تجربیات عامل ها به صورت هم زمان جمع آوری و به طور هوشمند ادغام می شوند. تحلیل داده ها با استفاده از روش های آماری توصیفی، تحلیل همبستگی و مقایسه عملکرد الگوریتم ها انجام پذیرفته است. نتایج پژوهش نشان می دهد که به کارگیری پردازش موازی منجر به کاهش معنادار زمان همگرایی که باعث افزایش پایداری فرآیند یادگیری و بهبود بهره وری نمونه ها می شود و همچنین مدیریت پویای درجه موازی سازی و ادغام موثر تجربیات ضمن حفظ کیفیت سیاست نهایی، کارایی کلی سیستم را ارتقا می دهد. در مجموع یافته های این مقاله حاکی از آن است که پردازش موازی می تواند به عنوان راهکاری کارآمد برای غلبه بر محدودیت های محاسباتی یادگیری تقویتی و توسعه الگوریتم های مقیاس پذیر در مسائل واقعی هوش مصنوعی مورد استفاده قرار گیرد.

کلیدواژه ها:

یادگیری تقویتی ، پردازش موازی ، همگرایی الگوریتم ها ، یادگیری توزیع شده ، هوش مصنوعی