Reinforcement Learning για μη γραμμικό έλεγχο σε παίγνια με διακριτό σύνολο δράσεων

Κορδαλής, Δημήτριος; Λάμπος-Κοραλής, Παναγιώτης; Kordalis, Dimitrios; Lampos-Koralis, Panagiotis

dc.contributor.author	Κορδαλής, Δημήτριος	el
dc.contributor.author	Λάμπος-Κοραλής, Παναγιώτης	el
dc.contributor.author	Kordalis, Dimitrios	en
dc.contributor.author	Lampos-Koralis, Panagiotis	en
dc.date.accessioned	2022-06-14T08:45:00Z
dc.date.available	2022-06-14T08:45:00Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55270
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22968
dc.rights	Default License
dc.subject	Βαθιά νευρωνικά δίκτυα	el
dc.subject	Ενισχυτική μάθηση	el
dc.subject	Διαδικασία απόφασης Markov	el
dc.subject	Μη γραμμικός έλεγχος	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Deep neural networks	en
dc.subject	Reinforcement learning	en
dc.subject	Markov decision processes	en
dc.subject	Nonlinear control	en
dc.subject	Deep learning	en
dc.title	Reinforcement Learning για μη γραμμικό έλεγχο σε παίγνια με διακριτό σύνολο δράσεων	el
dc.title	Reinforcement Learning for non-linear control in games with a distinct set of actions	en
heal.type	bachelorThesis
heal.classification	Machine learning	en
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2022-02-18
heal.abstract	Η παρούσα διατριβή αντιμετωπίζει την αλληλεπίδραση της Ενισχυτικής Μάθησης και των βαθιών νευρωνικών δικτύων για διακριτό μη γραμμικό έλεγχο για περιβάλλοντα ελέγχου αναφοράς. Η Ενισχυτική Μάθηση αποτελεί το μαθηματικό πλαίσιο για την αντιμετώπιση διαδοχικών προβλημάτων λήψης αποφάσεων όπου δεν υπάρχει άμεση συνεκτίμηση της υποκείμενης δυναμικής. Ειδικότερα, στην Ενισχυτική Μάθηση, το πρόβλημα ελέγχου διατυπώνεται ως Διαδικασία Απόφασης Markov και στόχος είναι η μάθηση μιας συνάρτησης Q που ποσοτικοποιεί το αναμενόμενο άθροισμα των ανταμοιβών που δίνεται σε μια πολιτική δράσης. Οι ισχυρές δυνατότητες αναπαράστασης των βαθιών νευρωνικών δικτύων, σε συνδυασμό με τις εξελίξεις του υλικού τα τελευταία χρόνια, επέτρεψαν στις έννοιες της Ενισχυτικής Μάθησης να προκύψουν ως τα κατάλληλα παραδείγματα για την επίλυση προβλημάτων λήψης αποφάσεων μεγάλης κλίμακας. Ως εκ τούτου, σε αυτή τη διατριβή, εξετάζουμε την απόδοση των σύγχρονων αλγορίθμων βαθιάς μάθησης ενίσχυσης σε μερικά από τα πιο παραγωγικά μη γραμμικά περιβάλλοντα ελέγχου.	el
heal.abstract	The present thesis copes with the interplay of Reinforcement learning anddeep neural networks for discrete non-linear control for benchmark controlenvironments. Reinforcement Learning constitutes the mathematicalframework for tackling sequential decision-making problems where there is nodirect consideration for the underlying dynamics. In particular, inReinforcement Learning, the control problem is formulated as a MarkovDecision Process and the goal is to learn a function Q that quantifies theexpected sum of rewards given a policy for action. The powerfulrepresentation capabilities of deep neural networks, in conjunction with thehardware developments during the recent years has enabled theReinforcement Learning concepts to arise as the appropriate paradigms forsolving large-scale decision-making problems. Therefore, in this thesis, weexamine the performance of the current state-of-the-art deep ReinforcementLearning algorithms in some of the most prolific non-linear controlenvironments.	en
heal.advisorName	Αδαμοπούλου, Ευγενία	el
heal.advisorName	Δεμέστιχας, Κωνσταντίνος	el
heal.advisorName	Συκάς, Ευστάθιος	el
heal.advisorName	Ρουσσάκη, Ιωάννα	el
heal.committeeMemberName	Δεμέστιχας, Κωνσταντίνος	el
heal.committeeMemberName	Συκάς, Ευστάθιος	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	61 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false