초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

강화 학습(Reinforcement learning)은 정해진 환경 속에서 구현된 에이전트가 주변 상태를 인식하여, 가능한 선택지들에서 보상을 최대화시키는 행동을 선택하는 정책을 학습하는 기계학습 분야이다. 전통적인 강화학습은 의사결정 과정을 ...

강화 학습(Reinforcement learning)은 정해진 환경 속에서 구현된 에이전트가 주변 상태를 인식하여, 가능한 선택지들에서 보상을 최대화시키는 행동을 선택하는 정책을 학습하는 기계학습 분야이다. 전통적인 강화학습은 의사결정 과정을 모델링을 한 방법인 마르코프 결정 과정(Markov Decision Process)과 Q-러닝을 사용하여 상태나 모델을 학습시킨다. 이러한 방법은 Q-테이블에 저장된 각 상태에 대한 정보에 의존한다는 단점이 있었고 심층강화학습(Deep Reinforcement Learning)의 등장은 이러한 단점을 어느 정도 극복하였다.
하지만 심층강화학습 모델의 이러한 시도에도 불구하고, 지금까지 해결하지 못하고 있는 다양한 문제점이 존재한다. 이 논문에서는 다음과 같은 네 가지의 문제점에 집중하고자 한다. 첫째, 심층 강화학습은 보상이 적은 게임을 학습할 때 매우 난해하다. 둘째, 심층 강화학습이 학습하는 게임이 비효율적으로 샘플링될 수 있다. 셋째, 학습의 결과로 나온 결과물이 다른 방식보다 성능이 저조할 수 있다. 마지막으로, 강화학습에는 보상함수가 필요하다.
본 논문에서는 이러한 문제점을 해결하고자, 유전 알고리즘을 이용한 강화학습으로 보상함수 최적화를 설계하여 이 방법을 사용하여 해결하였다. 첫째, 보상함수를 유전 알고리즘으로 만들어서 환경에 보상을 추가하였다. 둘째, 상태 군집화를 통해서 비슷한 상태를 같은 상태로 학습시켜서 학습 시간을 크게 줄였다. 셋째, 환경에 정보 없이 시작하지 않고, 휴리스틱 전략을 대입해서 다른 방식과 비슷한 시작점을 가졌다. 넷째, 유전 알고리즘으로 찾은 보상함수를 강화학습의 보상함수로 대체하였다. 결과적으로, 제안하는 기법들로 강화학습의 효율과 성능을 증가시킴을 보인다.