ПЕРЕНЕСЕННЯ ОПТИМІЗОВАНИХ ПАРАМЕТРІВ НЕЧІТКОГО РЕГУЛЯТОРА РОЮ МІЖ СЦЕНАРІЯМИ СЕРЕДОВИЩА
- Андрій Максименко
Abstract
Постановка проблеми. Налаштування нечіткого регулятора рою гетерогенних мобільних платформ генетичним алгоритмом обчислювально дороге: кожне оцінювання пристосованості потребує серії повних імітаційних прогонів місії, а весь цикл оптимізації — годин машинного часу. При цьому оптимізація прив’язана до конкретного сценарію, тому відкритим лишається питання: отриманий регулятор є загальною стратегією керування чи переобученим під навчальну карту розв’язком. Аналіз досліджень і публікацій. Поєднання нечіткої логіки з еволюційною оптимізацією для мобільних роботів розглянуто в, огляд систематизує підходи до ройової робототехніки. Узагальнювальну здатність навчених політик опрацьовано в навчанні з підкріпленням: у показано втрату я кості агента на згенерованих наново середовищах, у — досвід перенесення політик між симуляцією та реальними платформами. Для нечітких регуляторів рою з імовірнісною метрикою виконання множини цілей кількісної оцінки перенесення не наведено. Мета роботи — кількісно оцінити, яка частка виграшу від генетичної оптимізації нечіткого регулятора рою зберігається при перенесенні знайдених параметрів на інший, суттєво складніший сценарій середовища. Виклад основного матеріалу.Author Biography
Андрій Максименко
доктор філософії, старший викладач
References
- Bakdi, A., Hentout, A., Boutami, H., Maoudj, A., Hachour, O., & Bouzouia, B. (2017). Optimal path planning and real-time obstacle avoidance using adaptive fuzzy logic and genetic algorithms. Robotics and Autonomous Systems, 89, 95–109.
- Cobbe, K., Hesse, C., Hilton, J., & Schulman, J. (2020). Leveraging procedural generation to benchmark reinforcement learning. Proceedings of the 37th International Conference on Machine Learning, 119, 2048 – 2056.
- Nguyen, L. V., & Nguyen, H. L. (2024). Swarm intelligence -based multi-robotics: A comprehensive review. AppliedMath, 4(4), 1192–1210.
- Zhao, W., Queralta, J. P., & Westerlund, T. (2020). Sim -to-real transfer in deep reinforcement learning for robotics: A survey. IEEE Symposium Series on Computational Intelligence (SSCI), 737 –744.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.