ارزیابی و مقایسه الگوریتم های جستجوی قطعی و یادگیری تقویتی در مسیریابی محیط های شبکه ای و شهری

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 25

فایل این مقاله در 26 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JTAE-10-3_008

تاریخ نمایه سازی: 22 آبان 1405

چکیده مقاله:

این پژوهش به ارزیابی مقایسه ای جامع سه الگوریتم مسیریابی در محیط های شبکه ای ایستا با موانع پیچیده می پردازد. الگوریتم ها شامل آ استار به عنوان روش قطعی مبتنی بر جستجوی هیوریستیک، یادگیری کیو به عنوان رویکرد کلاسیک یادگیری تقویتی و یادگیری دوگانه کیو به عنوان نسخه بهبودیافته با هدف کاهش بیش برآورد هستند. آزمایش ها در دو محیط متفاوت شامل یک شبکه ساده ۲۵×۲۵ و یک محیط شهری پیچیده ۴۰×۴۰ انجام شد و عملکرد هر الگوریتم بر اساس معیارهای چندبعدی شامل طول مسیر، زمان اجرا، نرخ موفقیت، کیفیت مسیر (تعداد پیچش ها) و پایداری یادگیری مورد سنجش قرار گرفت. به منظور اطمینان از قابلیت اتکای نتایج، هر الگوریتم به صورت ۳۰ اجرای مکرر آزمایش شد و تحلیل های آماری پیشرفته شامل محاسبه فواصل اطمینان ۹۵ درصد، آزمون تی-تست جفتی و تحلیل واریانس بر روی داده ها اعمال گردید. یافته ها نشان داد که الگوریتم آ استار در تمامی معیارها عملکرد برتری داشته و با میانگین طول مسیر ۴۲ گام، زمان اجرای ۰۰۴۳/۰ ثانیه و ۷ پیچش، بهینه ترین و نرم ترین مسیر را تولید می کند. الگوریتم های یادگیری تقویتی اگرچه به نرخ موفقیت ۱۰۰ درصدی دست یافتند، اما به زمان اجرای به مراتب بیشتری نیاز داشتند و مسیرهای با کیفیت پایین تری (با ۱۹ و ۲۰ پیچش) ایجاد کردند. در محیط شهری، اختلاف عملکرد الگوریتم ها تشدید شد و افت بهینگی یادگیری دوگانه کیو کاهش یافت. یافته ها نشان دادند که الگوریتم های مبتنی بر یادگیری تقویتی در محیط های ناشناخته، پویا و دارای عدم قطعیت از قابلیت انطباق بیشتری برخوردارند، در حالی که الگوریتم آ استار در محیط های ایستا و شناخته شده عملکرد بهینه تری دارد.

نویسندگان

ایمان شفیعی نژاد

استادیار، پژوهشگاه هوافضا، وزارت علوم تحقیقات و فناوری، تهران، ایران.

فائزه شکری

دانشجوی دکتری، پژوهشگاه هوافضا، وزارت علوم، تحقیقات و فناوری، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • C. J. C. H. Watkins, "Learning from delayed rewards," ۱۹۸۹ ...
  • C. J. Watkins and P. Dayan, "Q-learning," Machine Learning, vol. ...
  • A. H. Borzabadi, A. V. Kamyad, M. H. Farahi, and ...
  • B. Q. A. Nguyen, N. T. Dang, T. T. Le, ...
  • R. Wu, E. Luo, X. Li, H. Tang, and Y. ...
  • X. Guo, Q.-K. Pan, W. Zhang, Z.-H. Miao, X.-L. Jing, ...
  • C. Sun, L. Hou, S. Yu, and J. Shu, "HQA: ...
  • X. H. Qiu, S. J. Tian, A.-F. Liu, Y.-H. Wei, ...
  • Z. Duan, Y. Zhang, Z. Shao, Z. Xu, and Z. ...
  • J. Guo, B. Peng, B. Du, K. Wang, and Y. ...
  • Z. Q. Zhang, X. Y. Wu, B. Qian, R. Hu, ...
  • L. Xu, T. Zhou, K. Li, J. Chen, and H. ...
  • G. Zuo, Z. Jia, Z. Wu, J. Shi, and G. ...
  • F. B. Ozsoydan, "A trajectory-based algorithm enhanced by Q-learning and ...
  • H. Dinçer et al., "Q-learning algorithm and molecular fuzzy multi-objective ...
  • Z. Zhaohui, Z. Jiaqi, and L. Jing, "Q-learning-based semi-fixed clustering ...
  • Z. Li, Y. Wang, Y. Han, K. Gao, and J. ...
  • H. Xuan, Q.-Q. Zheng, L. Lv, and B. Li, "Q-learning ...
  • K. Wang, X. Ma, Y. Li, Y. Luo, Y. Li, ...
  • G. Wang, Z. Zhang, and A. Nazarova, "A digital twin-based ...
  • S. Zeng, Y. Wang, X. Yu, H. Song, X. Guo, ...
  • A. Giuffrida, N. Basilico, and F. Amigoni, "An empirical evaluation ...
  • Q. Zhou, Y. Lian, J. Wu, M. Zhu, H. Wang, ...
  • J. Gao, Y. Li, X. Shi, and K. Yan, "Customer ...
  • S. Venu and M. Gurusamy, "A Comprehensive Review of Path ...
  • S. Aslan and S. Demirci, "An immune plasma algorithm with ...
  • Y. Wang and G. Wang, "An adaptive and efficient path ...
  • X. Ni, W. Hu, Q. Fan, Y. Cui, and C. ...
  • J. Wu, H. Jin, S. Cai, and L. Liu, "A ...
  • M. S. El, "Intelligent routing agent based on Q-learning and ...
  • N. Manogaran et al., "Developing a Novel Adaptive Double Deep ...
  • J. Liu et al., "QMR:Q-learning based Multi-objective optimization Routing protocol ...
  • M. Ghanifar, A. Nikkhah, M. Kamzan, M. Teshnehlab, and M. ...
  • Fuzzy PID-inspired Potential Field Path Planning for Quadrotors in Environmental Monitoring [مقاله ژورنالی]
  • J. Gandhi and Z. Narmawala, "Q-Learning and Double Q-Learning Based ...
  • J. Singh, S. K. Dhurandher, I. Woungang, and L. Barolli, ...
  • J. Zhou, X. Gong, L. Sun, Y. Xie, and X. ...
  • M. Patil, P. Tambolkar, and S. Midlam-Mohler, "Optimizing Traffic Routes ...
  • I. Shafieenejad, "Design of swarm guidance for aerial spherical robots ...
  • I. Shafieenejad, "Designing optimal Robust Guidance and Model Predictive controller ...
  • S. J. Russell, S. Russell, and P. Norvig, Artificial Intelligence: ...
  • نمایش کامل مراجع