Aproximación estocástica con dos escalas de tiempo en algoritmos Actor-Critic
Esta tesis profundiza en el algoritmo Actor-Critic de Reinforcement Learning, destacando su capacidad para manejar problemas complejos y de alta dimensión. Se presenta una sólida fundamentación teórica que respalda la convergencia del algoritmo mediante la Aproximación Estocástica con dos escalas de...
- Autores:
-
Fino Villamil, Santiago
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/73682
- Acceso en línea:
- https://hdl.handle.net/1992/73682
- Palabra clave:
- Optimización
Machine learning
Reinforcement learning
Aproximación estocástica
Matemáticas
- Rights
- openAccess
- License
- Attribution 4.0 International
| id |
UNIANDES2_7a0f91aa6c57943c5929dab7a4b0c0c4 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/73682 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Aproximación estocástica con dos escalas de tiempo en algoritmos Actor-Critic |
| title |
Aproximación estocástica con dos escalas de tiempo en algoritmos Actor-Critic |
| spellingShingle |
Aproximación estocástica con dos escalas de tiempo en algoritmos Actor-Critic Optimización Machine learning Reinforcement learning Aproximación estocástica Matemáticas |
| title_short |
Aproximación estocástica con dos escalas de tiempo en algoritmos Actor-Critic |
| title_full |
Aproximación estocástica con dos escalas de tiempo en algoritmos Actor-Critic |
| title_fullStr |
Aproximación estocástica con dos escalas de tiempo en algoritmos Actor-Critic |
| title_full_unstemmed |
Aproximación estocástica con dos escalas de tiempo en algoritmos Actor-Critic |
| title_sort |
Aproximación estocástica con dos escalas de tiempo en algoritmos Actor-Critic |
| dc.creator.fl_str_mv |
Fino Villamil, Santiago |
| dc.contributor.advisor.none.fl_str_mv |
Junca Peláez, Mauricio José |
| dc.contributor.author.none.fl_str_mv |
Fino Villamil, Santiago |
| dc.contributor.jury.none.fl_str_mv |
Hoegele, Michael Anton |
| dc.subject.keyword.none.fl_str_mv |
Optimización Machine learning Reinforcement learning Aproximación estocástica |
| topic |
Optimización Machine learning Reinforcement learning Aproximación estocástica Matemáticas |
| dc.subject.themes.none.fl_str_mv |
Matemáticas |
| description |
Esta tesis profundiza en el algoritmo Actor-Critic de Reinforcement Learning, destacando su capacidad para manejar problemas complejos y de alta dimensión. Se presenta una sólida fundamentación teórica que respalda la convergencia del algoritmo mediante la Aproximación Estocástica con dos escalas de tiempo. Además, se incluye un ejemplo práctico simulado, ilustrando la eficacia y aplicabilidad del algoritmo en escenarios del mundo real, demostrando así su potencial en diversas aplicaciones prácticas. |
| publishDate |
2021 |
| dc.date.issued.none.fl_str_mv |
2021-12-06 |
| dc.date.accessioned.none.fl_str_mv |
2024-01-31T15:55:07Z |
| dc.date.available.none.fl_str_mv |
2024-01-31T15:55:07Z |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.none.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/1992/73682 |
| dc.identifier.instname.none.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.none.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
https://hdl.handle.net/1992/73682 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
J. Bagnell and J. Schneider. Covariant policy search. Proceedings of International Joint Conference on Artificial Inteligence, 2003. M. Benaim. A dynamical system approach to stochastic approximation. SIAM Journal on Control and Optimization, (34), 1996. S. Bhatnagar, R. Sutton, M. Ghavamzadeh, and M. Lee. Natural actor-critic algorithms. Automatica, 45, 2009. V. Bokar. Stochastic approximation with two time scales. Systems & Control Letters, (29), 1997. V. Bokar. Stochastic Approximation : A Dynamical Systems Viewpoint. Springer, 2009. V. Bokar and P. Meyn. The o.d.e. method for convergence of stochastic approximation and reinforcement learning. Society for Industrial and Applied Mathematics, 38(2), 2000. B. P. Greensmith, E. and J. Baxter. Variance reduction techniques for gradient estimates in reinforcement learning. Journal of Machine Learning Research, 2004. M. Hirsch and S. Smale. Differential Equations, Dynamical Systems and Linear Algebra. ACADEMIC PRESS, INC, 1970. V. Konda and J. Tsitsiklis. Actor-Critic Algorithms. PhD thesis, MIT Department of Electrical Engineering and Computer Science, 2002. H. Kushner and D. Clark. Stochastic Approximation Methods for Constrained and Unconstrained Systems. Springer-Verlag, 1978. D. Levin, Y. Peres, and E. Wilmer. Markov Chains and Mixing Times, volume 107. American Mathematical Society, 2017. M. Puterman. Markov Decision Processes Discrete Stochastic Dynamic Programming. Wiley Series in Probability and Mathematical Statistics: Applied Probability and Statistics Section. John Wiley & Sons, Inc., Hoboken, New Jersey, 1994. R. Sutton and A. Barto. Reinforcement Learning An Introduction. Adaptive computation and machine learning series. Cambridge, MA: The MIT Press, second edition, 2018. R. Sutton, D. McAllester, S. Singh, and Y. Mansour. Policy gradient methods for reinforcement learning with function approximation. Advances in neural information with function approximation, 2000. D. Williams. Probability with Martingales. Cambridge University Press, 1991. |
| dc.rights.en.fl_str_mv |
Attribution 4.0 International |
| dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Attribution 4.0 International http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
64 páginas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.none.fl_str_mv |
Matemáticas |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ciencias |
| dc.publisher.department.none.fl_str_mv |
Departamento de Matemáticas |
| publisher.none.fl_str_mv |
Universidad de los Andes |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/676163df-375b-4c5b-afbf-9b81da4f401b/download https://repositorio.uniandes.edu.co/bitstreams/fce70cdb-da79-4b1b-ab36-0e6e821dc767/download https://repositorio.uniandes.edu.co/bitstreams/69e1289e-73f2-4010-be4b-5fa9ec8bc189/download https://repositorio.uniandes.edu.co/bitstreams/02ef0680-7fec-49c6-ab4f-a86c4eb3105b/download https://repositorio.uniandes.edu.co/bitstreams/1405c290-9280-4b7d-8242-bba59524a8af/download https://repositorio.uniandes.edu.co/bitstreams/f241ce16-c19e-489b-b38f-dc4ea48fed14/download https://repositorio.uniandes.edu.co/bitstreams/ad1d6735-80b5-4a0c-894b-1a925a204ecc/download https://repositorio.uniandes.edu.co/bitstreams/7e053ea5-b556-455c-83db-7ca7a2125e58/download |
| bitstream.checksum.fl_str_mv |
82841b76d7568d87525f5a98250d0e37 55552d330a0e4ee78135ad8edcd69c9c 0175ea4a2d4caec4bbcc37e300941108 ae9e573a68e7f92501b6913cc846c39f e4586d24aa7488c0bcfbeb0cebd15a6f 4064a69fcf92ccc1017b5fb041ca597f 3429f6f4e3f3ba5324aaaa9f0d74fb1d d5b45ec370b605e641a7a967499438c2 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1818112092423585792 |
| spelling |
Junca Peláez, Mauricio Josévirtual::21191-1Fino Villamil, SantiagoHoegele, Michael Anton2024-01-31T15:55:07Z2024-01-31T15:55:07Z2021-12-06https://hdl.handle.net/1992/73682instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Esta tesis profundiza en el algoritmo Actor-Critic de Reinforcement Learning, destacando su capacidad para manejar problemas complejos y de alta dimensión. Se presenta una sólida fundamentación teórica que respalda la convergencia del algoritmo mediante la Aproximación Estocástica con dos escalas de tiempo. Además, se incluye un ejemplo práctico simulado, ilustrando la eficacia y aplicabilidad del algoritmo en escenarios del mundo real, demostrando así su potencial en diversas aplicaciones prácticas.MatemáticoPregrado64 páginasapplication/pdfspaUniversidad de los AndesMatemáticasFacultad de CienciasDepartamento de MatemáticasAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Aproximación estocástica con dos escalas de tiempo en algoritmos Actor-CriticTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPOptimizaciónMachine learningReinforcement learningAproximación estocásticaMatemáticasJ. Bagnell and J. Schneider. Covariant policy search. Proceedings of International Joint Conference on Artificial Inteligence, 2003.M. Benaim. A dynamical system approach to stochastic approximation. SIAM Journal on Control and Optimization, (34), 1996.S. Bhatnagar, R. Sutton, M. Ghavamzadeh, and M. Lee. Natural actor-critic algorithms. Automatica, 45, 2009.V. Bokar. Stochastic approximation with two time scales. Systems & Control Letters, (29), 1997.V. Bokar. Stochastic Approximation : A Dynamical Systems Viewpoint. Springer, 2009.V. Bokar and P. Meyn. The o.d.e. method for convergence of stochastic approximation and reinforcement learning. Society for Industrial and Applied Mathematics, 38(2), 2000.B. P. Greensmith, E. and J. Baxter. Variance reduction techniques for gradient estimates in reinforcement learning. Journal of Machine Learning Research, 2004.M. Hirsch and S. Smale. Differential Equations, Dynamical Systems and Linear Algebra. ACADEMIC PRESS, INC, 1970.V. Konda and J. Tsitsiklis. Actor-Critic Algorithms. PhD thesis, MIT Department of Electrical Engineering and Computer Science, 2002.H. Kushner and D. Clark. Stochastic Approximation Methods for Constrained and Unconstrained Systems. Springer-Verlag, 1978.D. Levin, Y. Peres, and E. Wilmer. Markov Chains and Mixing Times, volume 107. American Mathematical Society, 2017.M. Puterman. Markov Decision Processes Discrete Stochastic Dynamic Programming. Wiley Series in Probability and Mathematical Statistics: Applied Probability and Statistics Section. John Wiley & Sons, Inc., Hoboken, New Jersey, 1994.R. Sutton and A. Barto. Reinforcement Learning An Introduction. Adaptive computation and machine learning series. Cambridge, MA: The MIT Press, second edition, 2018.R. Sutton, D. McAllester, S. Singh, and Y. Mansour. Policy gradient methods for reinforcement learning with function approximation. Advances in neural information with function approximation, 2000.D. Williams. Probability with Martingales. Cambridge University Press, 1991.201712978Publicationhttps://scholar.google.es/citations?user=CoIlxH0AAAAJvirtual::21191-10000-0002-5541-0758virtual::21191-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000155861virtual::21191-11e5c3dc6-4d9c-406b-9f99-5c91523b7e49virtual::21191-11e5c3dc6-4d9c-406b-9f99-5c91523b7e49virtual::21191-1ORIGINALAproximación Estocástica con dos Escalas de Tiempo en Algoritmos Actor-Critic.pdfAproximación Estocástica con dos Escalas de Tiempo en Algoritmos Actor-Critic.pdfapplication/pdf1439291https://repositorio.uniandes.edu.co/bitstreams/676163df-375b-4c5b-afbf-9b81da4f401b/download82841b76d7568d87525f5a98250d0e37MD51autorizacion-tesis.pdfautorizacion-tesis.pdfHIDEapplication/pdf302055https://repositorio.uniandes.edu.co/bitstreams/fce70cdb-da79-4b1b-ab36-0e6e821dc767/download55552d330a0e4ee78135ad8edcd69c9cMD54CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8908https://repositorio.uniandes.edu.co/bitstreams/69e1289e-73f2-4010-be4b-5fa9ec8bc189/download0175ea4a2d4caec4bbcc37e300941108MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/02ef0680-7fec-49c6-ab4f-a86c4eb3105b/downloadae9e573a68e7f92501b6913cc846c39fMD53TEXTAproximación Estocástica con dos Escalas de Tiempo en Algoritmos Actor-Critic.pdf.txtAproximación Estocástica con dos Escalas de Tiempo en Algoritmos Actor-Critic.pdf.txtExtracted texttext/plain99316https://repositorio.uniandes.edu.co/bitstreams/1405c290-9280-4b7d-8242-bba59524a8af/downloade4586d24aa7488c0bcfbeb0cebd15a6fMD55autorizacion-tesis.pdf.txtautorizacion-tesis.pdf.txtExtracted texttext/plain2014https://repositorio.uniandes.edu.co/bitstreams/f241ce16-c19e-489b-b38f-dc4ea48fed14/download4064a69fcf92ccc1017b5fb041ca597fMD57THUMBNAILAproximación Estocástica con dos Escalas de Tiempo en Algoritmos Actor-Critic.pdf.jpgAproximación Estocástica con dos Escalas de Tiempo en Algoritmos Actor-Critic.pdf.jpgGenerated Thumbnailimage/jpeg6836https://repositorio.uniandes.edu.co/bitstreams/ad1d6735-80b5-4a0c-894b-1a925a204ecc/download3429f6f4e3f3ba5324aaaa9f0d74fb1dMD56autorizacion-tesis.pdf.jpgautorizacion-tesis.pdf.jpgGenerated Thumbnailimage/jpeg10849https://repositorio.uniandes.edu.co/bitstreams/7e053ea5-b556-455c-83db-7ca7a2125e58/downloadd5b45ec370b605e641a7a967499438c2MD581992/73682oai:repositorio.uniandes.edu.co:1992/736822024-12-04 17:07:15.1http://creativecommons.org/licenses/by/4.0/Attribution 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |