Evolutionary algorithms for solving DEC-POMDP problems

Merkezi Olmayan Kısmen Gözlemlenebilir Markov Karar Süreci (MO-KGMKS)modeli, kısmen gözlemlenebilir ortamlarda çoklu etmen planlama problemini adreslemektedir.Modelin NEXP-complete kompleksliğe sahip olmasından dolayı, sadece küçük boyutluproblemler optimal bir şekilde çözülebilir. Bu sebepten dolayı, birçok araştırmacıdaha büyük boyutlu problemler için en iyiye yakın çözüm üretebilecek yaklaşık çözümyordamları üzerine yoğunlaşmıştır. Bununla birlikte, şimdiye kadar geliştirilen yaklaşıkçözüm yordamları bile büyük boyutlu problemleri ancak az sayıda adım için çözebilmektedir.Bunun bir nedeni etmen stratejilerini temsil ederken ve strateji uzayını tararkenkiüssel hafıza gereksinimidir. Bu tezde sonlu adımlı MO-KGMKS problemlerini yaklaşıkolarak çözmek için dört yeni yaklaşım sunuyoruz. ?Ilk yaklaşım, MAP, MO-KGMKS problemleriniKGMKS problemi olarak modelleme ve daha sonrasında verimli bir KGMKSçözümcüsü ile çözme temellidir. Diğer yaklaşımların hepsi, yani ES-BV, ES-OH ve GAFSC,evrimsel yordamların uygulanması temeline dayanmaktadır. ES-BV, MAP yöntemindeolduğu gibi inanç vektörlerini kullanır ve strateji vektörlerini evrimsel stratejileri (ES)kullanarak bulmaya çalışır. ES-OH yaklaşımı gözlem tarihçesini kullanmayı, karar vermekiçin bunu bir sinir ağına girdi yapmayı ve sinir ağlarını eğitmek için ES kullanmayıönerir. GA-FSC yordamı ise stratejileri temsil etmek için sonlu durum kontrolcülerinikullanır ve genetik yordamları kullanarak en iyi stratejiyi arar. Bütün yordamlar en bilinenMO-KGMKS problemlerinde test edilmiştir. Sonuçlarımızı bu konudaki en ileritekniklerle ve birbirleriyle karşılaştırdık. MAP haricinde bu çalışmadan geliştirilen yordamlarınvarolan en iyi yordamlarla karşılaştırılabilir bir performansa sahip olduğunu veGA-FSC kullanılması durumunda problemler için çözüm adım sayısının artırıldığını gösterdik.