Modelo Neuro-Fuzzy Hierárquico Politree com aprendizado por reforço para agentes inteligentes
Este trabalho apresenta um novo modelo híbrido neuro-fuzzy para aprendizado automático de ações efetuadas por agentes. O objetivo do modelo é dotar um agente de inteligência, tornando-o capaz de, através da interação com o seu ambiente, adquirir e armazenar o conhecimento e raciocinar (inferir uma ação). Este novo modelo, denominado Reinforcement Learning Neuro-Fuzzy Hierárquico Politree (RL-NFHP), descende dos modelos neuro-fuzzy hierárquicos NFHB, os quais utilizam aprendizado supervisionado e particionamento BSP (Binary Space Partitioning) do espaço de entrada. Com o uso desse método hierárquico de particionamento, associado ao Reinforcement Learning, obteve-se uma nova classe de Sistemas Neuro-Fuzzy (SNF) que executam, além do aprendizado da estrutura, o aprendizado autônomo das ações a serem tomadas por um agente. Essas características representam um importante diferencial em relação aos sistemas de aprendizado de agentes inteligentes existentes. O modelo RL-NFHP foi testado em diferentes problemas benchmark e em uma aplicação de robótica (robô Khepera). Os resultados obtidos mostram o potencial do modelo proposto, que dispensa informações preliminares como número e formato das regras, e número de partições que o espaço de entrada deve possuir.
Main Authors: | , , , |
---|---|
Format: | Digital revista |
Language: | Portuguese |
Published: |
Sociedade Brasileira de Automática
2007
|
Online Access: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-17592007000200009 |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
id |
oai:scielo:S0103-17592007000200009 |
---|---|
record_format |
ojs |
spelling |
oai:scielo:S0103-175920070002000092007-10-02Modelo Neuro-Fuzzy Hierárquico Politree com aprendizado por reforço para agentes inteligentesFigueiredo,KarlaVellasco,MarleyPacheco,MarcoSouza,Flávio Agentes Inteligentes Modelos Neuro-Fuzzy Aprendizado por Reforço Aprendizado Automático Este trabalho apresenta um novo modelo híbrido neuro-fuzzy para aprendizado automático de ações efetuadas por agentes. O objetivo do modelo é dotar um agente de inteligência, tornando-o capaz de, através da interação com o seu ambiente, adquirir e armazenar o conhecimento e raciocinar (inferir uma ação). Este novo modelo, denominado Reinforcement Learning Neuro-Fuzzy Hierárquico Politree (RL-NFHP), descende dos modelos neuro-fuzzy hierárquicos NFHB, os quais utilizam aprendizado supervisionado e particionamento BSP (Binary Space Partitioning) do espaço de entrada. Com o uso desse método hierárquico de particionamento, associado ao Reinforcement Learning, obteve-se uma nova classe de Sistemas Neuro-Fuzzy (SNF) que executam, além do aprendizado da estrutura, o aprendizado autônomo das ações a serem tomadas por um agente. Essas características representam um importante diferencial em relação aos sistemas de aprendizado de agentes inteligentes existentes. O modelo RL-NFHP foi testado em diferentes problemas benchmark e em uma aplicação de robótica (robô Khepera). Os resultados obtidos mostram o potencial do modelo proposto, que dispensa informações preliminares como número e formato das regras, e número de partições que o espaço de entrada deve possuir.info:eu-repo/semantics/openAccessSociedade Brasileira de AutomáticaSba: Controle & Automação Sociedade Brasileira de Automatica v.18 n.2 20072007-06-01info:eu-repo/semantics/articletext/htmlhttp://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-17592007000200009pt10.1590/S0103-17592007000200009 |
institution |
SCIELO |
collection |
OJS |
country |
Brasil |
countrycode |
BR |
component |
Revista |
access |
En linea |
databasecode |
rev-scielo-br |
tag |
revista |
region |
America del Sur |
libraryname |
SciELO |
language |
Portuguese |
format |
Digital |
author |
Figueiredo,Karla Vellasco,Marley Pacheco,Marco Souza,Flávio |
spellingShingle |
Figueiredo,Karla Vellasco,Marley Pacheco,Marco Souza,Flávio Modelo Neuro-Fuzzy Hierárquico Politree com aprendizado por reforço para agentes inteligentes |
author_facet |
Figueiredo,Karla Vellasco,Marley Pacheco,Marco Souza,Flávio |
author_sort |
Figueiredo,Karla |
title |
Modelo Neuro-Fuzzy Hierárquico Politree com aprendizado por reforço para agentes inteligentes |
title_short |
Modelo Neuro-Fuzzy Hierárquico Politree com aprendizado por reforço para agentes inteligentes |
title_full |
Modelo Neuro-Fuzzy Hierárquico Politree com aprendizado por reforço para agentes inteligentes |
title_fullStr |
Modelo Neuro-Fuzzy Hierárquico Politree com aprendizado por reforço para agentes inteligentes |
title_full_unstemmed |
Modelo Neuro-Fuzzy Hierárquico Politree com aprendizado por reforço para agentes inteligentes |
title_sort |
modelo neuro-fuzzy hierárquico politree com aprendizado por reforço para agentes inteligentes |
description |
Este trabalho apresenta um novo modelo híbrido neuro-fuzzy para aprendizado automático de ações efetuadas por agentes. O objetivo do modelo é dotar um agente de inteligência, tornando-o capaz de, através da interação com o seu ambiente, adquirir e armazenar o conhecimento e raciocinar (inferir uma ação). Este novo modelo, denominado Reinforcement Learning Neuro-Fuzzy Hierárquico Politree (RL-NFHP), descende dos modelos neuro-fuzzy hierárquicos NFHB, os quais utilizam aprendizado supervisionado e particionamento BSP (Binary Space Partitioning) do espaço de entrada. Com o uso desse método hierárquico de particionamento, associado ao Reinforcement Learning, obteve-se uma nova classe de Sistemas Neuro-Fuzzy (SNF) que executam, além do aprendizado da estrutura, o aprendizado autônomo das ações a serem tomadas por um agente. Essas características representam um importante diferencial em relação aos sistemas de aprendizado de agentes inteligentes existentes. O modelo RL-NFHP foi testado em diferentes problemas benchmark e em uma aplicação de robótica (robô Khepera). Os resultados obtidos mostram o potencial do modelo proposto, que dispensa informações preliminares como número e formato das regras, e número de partições que o espaço de entrada deve possuir. |
publisher |
Sociedade Brasileira de Automática |
publishDate |
2007 |
url |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-17592007000200009 |
work_keys_str_mv |
AT figueiredokarla modeloneurofuzzyhierarquicopolitreecomaprendizadoporreforcoparaagentesinteligentes AT vellascomarley modeloneurofuzzyhierarquicopolitreecomaprendizadoporreforcoparaagentesinteligentes AT pachecomarco modeloneurofuzzyhierarquicopolitreecomaprendizadoporreforcoparaagentesinteligentes AT souzaflavio modeloneurofuzzyhierarquicopolitreecomaprendizadoporreforcoparaagentesinteligentes |
_version_ |
1756401774980235264 |