کنترل حساس هدف در مسائل مارکوف و نیمه مارکوف + سورس مقاله
پروژه ۱۲۰۷: شبیه سازی مقاله در متلب
خلاصه:
مقیاس های استفاده شده در مدل های ریسک در مسائل تصمیم گیری مارکوف شامل واریانس ها {۴۱و۲۴و۲۸} ، توابع نمایی واحد {۳۱و۲۱و۲۲و۲۶و۱۹و۳۰و۸} ، قید های ریسک نزولی{۱۳و۴۴و۲۵و۲} و توایع hara می باشند. مارکوف در مدل های نمونه مثلا ماکزیمم سازی درآمد به کار می رود . ۴ معایب برای استفاده از واریانس وجود دارد: ۱٫ تغیرات بالا به معنی درآمد که ممکن است مطلوب باشد و معمولا جریمه می گیرد. ۲٫ واریانس منظم به شمار نمی رود و هدف ها برای درآمد تنظیم می گردند. ۳٫ واریانس ها زمانیکه دارای توزیع خطی باشند، کار می کنند. مثلا توزیع نرمال و ۴٫ در مفهوم تصمیم گیری مارکوف ، مساله جریمه دارای ساختار درجه دوم می باشد. در حل مساله درجه دوم اگر از روش برنامه ریزی پویا استفاده شود،آن مشکل ساز بوده. ما از اندازه گیری های متفاوتی از ریسک که ریسک نیمه واریانس نامیده می شود، استفاده می نماییم. با ساختار مارکوویز به صورت زیر استفاده می نماییم:
ما در این مقاله از یک الگوریتم نیمه مارکوف ، همگرایی روش را بهتر می نماییم. در این مقاله نشان داده شده که نیازی به گسسته سازی در پاداش نداریم. برای سائل ابعاد بالا ما در یادگیری تقویتی از روش جدیدی در mdp , smdp پیشنهاد نموده ایم. هدف اصلی ما در این تحقیق، استفاده از برنامه ریزی پویا و ثوابت آن برای جریمه نیمه واریانس میباشد. همچنین یک مساله صنعتی با استفاده از رویکرد برنامه ریزی خطی استفاده نموده ایم.
دانلود: دانلود اصل مقاله لاتین
در صورت سوال در مورد محصول می توانید از بخش تماس با ما (منوی بالا)، با شماره تلفن مورد نظر مکاتبه نمایید.
دیگر پروژه های مرتبط:
کنترل ربات و مدل سازی مارکوف با بهینه سازی مبتنی بر جغرافیای زیستی (BBO)
مدل مارکوف برای بهینه سازی سیستمهای پیچیده بر مبنای جغرافیای زیستی
شبیه سازی مقاله : کنترل موثر هدف فرآیند مارکوف و نیمه مارکوف با متلب
مجموعه: یادگیری تقویتی