Aprendizaje de selección de acciones en un mundo simple pero impredecible
Uno de los principales problemas estudiados en la simulación de agentes artificiales autónomos es el de la selección de acciones: un mecanismo que le permita al sistema escoger la acción más apropiada para la situación en que se encuentre, de tal forma que maximice su medida de éxito. El aprendizaje...
- Autores:
-
Rojas, Sergio A.
Martínez, José J.
- Tipo de recurso:
- Article of journal
- Fecha de publicación:
- 2002
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/34188
- Acceso en línea:
- https://repositorio.unal.edu.co/handle/unal/34188
http://bdigital.unal.edu.co/24268/
- Palabra clave:
- Reinforcement learning
Q learning
Autonomous agents
Aprendizaje por refuerzo
Aprendizaje Q
Agentes autónomos
Animats
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
Summary: | Uno de los principales problemas estudiados en la simulación de agentes artificiales autónomos es el de la selección de acciones: un mecanismo que le permita al sistema escoger la acción más apropiada para la situación en que se encuentre, de tal forma que maximice su medida de éxito. El aprendizaje por refuerzo representa un enfoque atractivo para atacar este problema, ya que se basa en la búsqueda de señales de premio y la evasión de señales de castigo mediante un proceso de ensayo y error. En este artículo presentamos al PAISA 1, una criatura artificial que aprende a comportarse (seleccionar acciones) utilizando una técnica de aprendizaje por refuerzo (aprendizaje Q) para optimizar la cantidad de comida que puede encontrar en un mundo impredecible, aunque con un espacio estado-acción pequeño. |
---|