Sosyal öğrenme destekli aktör kritik pekiştirmeli öğrenme üzerine

Bu çalışmada, bir Sosyal Öğrenme modeli olan Taklit Öğrenmenin, Aktör-Kritik Pekiştirmeli Öğrenme algoritmasına entegre edilmesiyle oluşturulan yeni bir yöntem sunulmaktadır. Çalışmanın amacı, engelsiz, sabit engelli ve rastgele yerleştirilmiş engellere sahip labirent ortamlarında, önerilen yöntem ile Aktör-Kritik algoritmasını kullanan etmenlerin öğrenme hızını ve çözüm optimalliğini kıyaslamaktır. Çalışmada sunulan yeni yöntem, Aktör-Kritik algoritması ile, etmenler arasında doğrudan tecrübe aktarımı olmaksızın, belirli şartlar altında, gözlenen davranışları taklit eden bir modelin birleştirilmesinden oluşmaktadır. Önerilen yöntemin temel taşı olan taklit etme özelliği Aktör-Kritik algoritmasına entegre edilirken, "sabit olasılık değeri ile taklit" ve "kritik kararı ile taklit" olmak üzere iki farklı yol izlenmiştir. Çalışmada önerilen taklit destekli Aktör-Kritik öğrenme metodunun, labirent yol bulma problemi üzerinde klasik Aktör-Kritik metoduna göre, öğrenme hızının nasıl değiştiği iki boyutlu simülasyon sonuçları aracılığıyla değerlendirilmiştir. Bu yöntemlerin öğrenme hızlarının kıyaslanmasının yanı sıra, öğrenme süreçlerinin kararlılığı ve zaman içerisinde taklit edilme olasılığının değişimini veren sonuçlar ile çalışma desteklenmiştir. Simülasyon sonuçları, önerilen öğrenme yönteminin; öğrenmeyi genel olarak, önemli ölçüde hızlandırdığını, çoğu labirent ortamında optimum sonuca ulaşırken, özellikle dinamik engelli labirent ortamında olasılıksal taklit etme metodunun optimum çözüme ulaşma konusunda iyi sonuç vermediğini göstermektedir. Bununla birlikte, çalışmada sunulan Taklit Destekli Aktör-Kritik yönteminin kararlılığının standart Aktör-Kritik yaklaşımına kıyasla, bir durum istisna olmak üzere, daha yüksek olduğu gözlemlenmiştir. Bulgular, taklit ile öğrenmenin Aktör-Kritik çerçevesine entegre edilmesinin, özellikle karmaşık ortamlarda optimum çözüme yakınsamayı ve yöntemin kararlılığını artırdığını göstermektedir. Bu çalışmada önerilen yeni yaklaşım, gözlem yoluyla verimli öğrenme gerektiren otonom navigasyon ve robotik sistemlerde potansiyel uygulanabilirliğe sahiptir.