تصميمگيری، فرآيند انتخاب بهترين عمل يا گزينه از ميان گزينههای موجود می‌باشد. تصميمگيری چندمعياره، يکی از شاخههای پرکاربرد علم تصميمگيری محسوب می‌شود و روشهای زيادی تاکنون ارائه شده است. از ميان اين روشها، روش مجموع ساده وزين، به عنوان روش اصلی و پذيرفته‌شده، به حس چکیده کامل
تصميمگيری، فرآيند انتخاب بهترين عمل يا گزينه از ميان گزينههای موجود می‌باشد. تصميمگيری چندمعياره، يکی از شاخههای پرکاربرد علم تصميمگيری محسوب می‌شود و روشهای زيادی تاکنون ارائه شده است. از ميان اين روشها، روش مجموع ساده وزين، به عنوان روش اصلی و پذيرفته‌شده، به حساب میآيد. در اين مقاله روشهايي برای حل مسائل تصميمگيری بيان شده که کاملاً مبتنی بر شبکه‌های عصبی مصنوعی می‌باشد. اين مقاله کاربرد روشهای رايانش نرم را در حوزههای کلاسيک چون تصميمگيری نشان می‌دهد. در اين مقاله دو روش، يکی بر اساس شبکه عصبی با ناظر و ديگری بر اساس شبکه عصبی بدون ناظر، ارائه شده است. نتايج حاصل از اين دو روش با روش مجموع ساده وزين، مقايسه شده است.
پرونده مقاله
اين مقاله روش جديدي را مطرح مي‌کند که قادر به استخراج گذرگاه‌ها به‌صورت اتوماتيک براي عامل يادگيري تقويتي است. روش پيشنهادي از سيستم‌هاي بيولوژيکي، رفتار و مسيريابي حيوانات الهام گرفته شده است و به‌واسطه تعاملات عامل با محيط پيراموني‌اش عمل مي‌کند. عامل با استفاده از خو چکیده کامل
اين مقاله روش جديدي را مطرح مي‌کند که قادر به استخراج گذرگاه‌ها به‌صورت اتوماتيک براي عامل يادگيري تقويتي است. روش پيشنهادي از سيستم‌هاي بيولوژيکي، رفتار و مسيريابي حيوانات الهام گرفته شده است و به‌واسطه تعاملات عامل با محيط پيراموني‌اش عمل مي‌کند. عامل با استفاده از خوشه‌بندي و تشخيص اشيا به‌صورت سلسله مراتبي، نشانه‌هايي را پيدا مي‌کند. اگر اين نشانه‌ها در فضاي اقدام به هم نزديک باشند، گذرگاه‌ها با استفاده از حالت‌هاي بين آنها استخراج مي‌شوند. نتايج آزمايش‌ها بهبود قابل ملاحظه‌اي را در فرايند يادگيري تقويتي در مقايسه با ساير روش‌هاي مشابه نشان مي‌دهد.
پرونده مقاله
ساختارهای هولونی یک ساختار سلسله‌مراتبی از هولون‌ها است که به منظور حل مسایل پیچیده و ارضای اهدافی مانند محدود‌سازی حوزه تعاملات، کاهش عدم قطعیت یا شکل‌دهی هدف‌های سطح بالا در سیستم‌های چندعاملی توسعه داده شده‌اند که به سبب آن سیستم از انعطاف‌پذیری و پویایی بالایی در بر چکیده کامل
ساختارهای هولونی یک ساختار سلسله‌مراتبی از هولون‌ها است که به منظور حل مسایل پیچیده و ارضای اهدافی مانند محدود‌سازی حوزه تعاملات، کاهش عدم قطعیت یا شکل‌دهی هدف‌های سطح بالا در سیستم‌های چندعاملی توسعه داده شده‌اند که به سبب آن سیستم از انعطاف‌پذیری و پویایی بالایی در برابر تغییرات محیطی برخوردار می‌شود.
علی‌رغم کاربرد وسیع سیستم‌های چندعاملی هولونی در زمینه مدل‌سازی و حل مسایل پیچیده، بسیاری از مفاهیم اساسی در آن مانند تشکیل هولون‌های عضو و کنترل پویای ساختار مربوط، از مدل‌های بسیار ساده و ابتدایی که اکثراً وابسته به کاربرد خاص هستند، تبعیت می‌کنند که البته این را می‌توان به علت نوپابودن تحقیقات در این زمینه دانست. در این مقاله سعی گردیده با بهره‌گیری از مفاهیم اجتماعی و نظریه سازمان‌ها، روشی مبتنی بر هدف برای تشکیل ساختارهای هولونی ارائه گردد. روش پیشنهادی که از مفاهیم نقش، مهارت و ساختار اهداف استفاده می‌کند این امکان را فراهم می‌سازد که بتوان از آن برای طیف وسیعی از کاربردها بهره برد.
به منظور نشان‌دادن قابلیت‌های روش پیشنهادی و نیز نمایش نحوه به کارگیری از آن در مسایل واقعی، در این مقاله بستر آزمایشی بر مبنای کاربرد ردیابی شیئ در شبکه‌های حسگر بی‌سیم طراحی و ارائه شده است. در این کاربرد، حسگرهای پخش‌شده در محیط به عنوان عامل‌های ساده با بهره‌گیری از ساختار هولونی، وظیفه ردیابی شیئ بیگانه واردشده به محیط را بر عهده می‌گیرند. طبق نتایج آزمایشگاهی به دست آماده حاصل از شبیه‌سازی، روش هولونی ارائه‌شده بر مبنای الگوریتم پیشنهادی در این مقاله توانسته است کارایی موفقیت‌آمیزی را از نظر کیفیت ردیابی و میزان مصرف انرژی در این بستر آزمایش ارائه دهد.
پرونده مقاله
یادگيري تقويتي، يكي از انواع يادگيري ماشين است كه در آن عامل با استفاده از تراکنش با محيط، به شناخت محیط و بهبود رفتار خود میپردازد. يكي از مشكلات اصلي الگوريتمهاي استاندارد يادگيري تقويتي مانند یادگیری Q اين است که نمیتوانند مسایل بزرگ را در زمان قابل قبولی حل کنند. چکیده کامل
یادگيري تقويتي، يكي از انواع يادگيري ماشين است كه در آن عامل با استفاده از تراکنش با محيط، به شناخت محیط و بهبود رفتار خود میپردازد. يكي از مشكلات اصلي الگوريتمهاي استاندارد يادگيري تقويتي مانند یادگیری Q اين است که نمیتوانند مسایل بزرگ را در زمان قابل قبولی حل کنند. کسب خودکار مهارت‌ها می‌تواند به شکستن مسأله به زيرمسألههاي کوچک‌تر و حل سلسله‌مراتبی آن کمک کند. با وجود نتایج امیدوارکننده استفاده از مهارت‌ها در یادگیری تقویتی سلسله‌مراتبی، در برخی تحقیقات دیگر نشان داده شد که بر اساس وظیفه مورد نظر، اثر مهارت‌ها بر کارایی یادگیری می‌تواند کاملاً مثبت یا منفی باشد و اگر به درستی انتخاب نشوند می‌توانند پیچیدگی حل مسأله را افزایش دهند. از این رو یکی از نقاط ضعف روشهای قبلی کسب خودکار مهارت‌ها، عدم ارزیابی هر یک از مهارتهای کسب‌شده می‌باشد. در این مقاله روشهای جدیدی مبتنی بر خوشه‌بندی گراف برای استخراج زیرهدف‌ها و کسب مهارت‌ها ارائه می‌گردد. همچنین معیارهای جدید برای ارزیابی مهارت‌ها مطرح می‌شود که با کمک آنها، مهارتهای نامناسب برای حل مسأله حذف می‌گردند. استفاده از این روشها در چندین محیط آزمایشگاهی افزایش سرعت یادگیری را به شکل قابل ملاحظه‌ای نشان می‌دهد.
پرونده مقاله
