$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

퍼지 추론 기반의 멀티에이전트 강화학습 모델
Multi-Agent Reinforcement Learning Model based on Fuzzy Inference 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.9 no.10, 2009년, pp.51 - 58  

이봉근 (충북대학교 전기전자 컴퓨터공학부) ,  정재두 (국방부 전자계산소) ,  류근호 (충북대학교 전기전자 컴퓨터공학부)

초록
AI-Helper 아이콘AI-Helper

강화학습은 최적의 행동정책을 구하는 최적화 문제로 주어진 환경과의 상호작용을 통해 받는 보상 값을 최대화하는 것이 목표이다. 특히 단일 에이전트에 비해 상태공간과 행동공간이 매우 커지는 다중 에이전트 시스템인 경우 효과적인 강화학습을 위해서는 적절한 행동 선택 전략이 마련되어야 한다. 본 논문에서는 멀티에이전트의 효과적인 행동 선택과 학습의 수렴속도를 개선하기 위하여 퍼지 추론 기반의 멀티에이전트 강화학습 모델을 제안하였다. 멀티 에이전트 강화학습의 대표적인 환경인 로보컵 Keepaway를 테스트 베드로 삼아 다양한 비교 실험을 전개하여 에이전트의 효율적인 행동 선택 전략을 확인하였다. 제안된 퍼지 추론 기반의 멀티에이전트 강화학습모델은 다양한 지능형 멀티 에이전트의 학습에서 행동 선택의 효율성 평가와 로봇축구 시스템의 전략 및 전술에 적용이 가능하다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Reinforcement learning is a sub area of machine learning concerned with how an agent ought to take actions in an environment so as to maximize some notion of long-term reward. In the case of multi-agent, especially, which state space and action space gets very enormous in compared to single agent, s...

주제어

#멀티에이전트   #강화학습  

참고문헌 (13)

  1. E. Matthew, Taylor and Peter Stone., "Representation Transfer for Reinforcement Learning," AAAI 2007 Fall Symposium, Arlington, Virginia, 2007. 

  2. E. Yang, and Gu., "Multi-Agent Reinforcement Learning for Multi-Robot System: A Survey," University of Essex Technical Report CSM-404, 2004. 

  3. Marvin Minsky, Push Singh, and Aaron Sloman , The St. Thomas Common Sense Symposium: Designing Architectures for Human-Level Intelligence, AI Magazine, 25-2: Summer 2004, pp.113-124. 2004. 

    상세보기

  4. Aaron Sloman and Ron Chrisley, Virtual Machines and Consciousness, Journal of Consciousness Studies 10, 4-5. 2003. 

  5. 권기덕, 김인철, "적대적 멀티 에이전트 환경에서 효율적인 강화 학습을 위한 정책 모델링", 한국정보과학회 논문지: 소프트웨어 및 응용 제35권, 제3호, pp179-188, 2008. 

    원문보기 상세보기

  6. R. S. Sutton and A. G. Barto, "Reinforcement Learning: An Introduction," MIT Press, 1998. 

  7. G. Tesauro, "Multi Agent Learning:Mini Tutorial," IBM Watson Research Center, 2000. 

  8. C. J. C. H. Watkins and P. Dayan, "Technical notes: Q-Iearning," Maching Learning, Vol.8, pp.279-292, 1992. 

    상세보기 crossref

  9. R. Fagin, "Combining Fuzzy Information from Multiple Systems," J. of Computer and System Sciences, Vol.58, pp.83-99. 1999. 

    상세보기 crossref

  10. 이영아, 정경숙, 정태충, "퍼지 클러스터링을 이용한 강화학습의 함수근사", 한국정보처리학회논문지, 제10-B권, 제6호, pp.587-592, 2003 

    원문보기 상세보기 crossref

  11. Lionel Jouffe, "Fuzzy Infernce System Learning by Reinforcement Methods," IEEE Transactions on Systems, Man and Cybernetics pp.338-355, 1998. 

  12. David McAllester and Peter Stone. Keeping the ball from CMUnited-99, Robocup-2000:Robocup IV, Springer Verlag, Berlin, 2001. 

  13. Alexander A. Sherstov and Peter Stone, Function Approximation via Tile Coding: Automating Parameter Choice, In Proc. Symposium on Abstraction, Reinforcement, and Approximation(SARA -05), 2005. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로