بررسی کارایی سیستمهای دسته بند یادگیر با رویکردهای مختلف یادگیری تقویتی برای حل مسئله ماز
نویسندگان
1 دانشگاه شهید بهشتی
2
doi
10.22034/csj.2026.545441.1126چکیده
در این پژوهش، عملکرد سه رویکرد هوش مصنوعی شامل الگوریتم ژنتیکی، یادگیری تقویتی و سیستمهای دستهبند یادگیر در حل مسئله مسیریابی در محیطهای ماز بررسی و مقایسه شده است. هدف اصلی، ارزیابی توانایی این الگوریتمها در یافتن مسیر بهینه از مبدأ به مقصد در مازهای پیچیده با موانع متعدد است. برای این منظور، هر الگوریتم در محیطی یکسان پیادهسازی شده و با استفاده از معیارهایی نظیر تعداد گامها تا رسیدن به هدف، تعداد اپیزودهای آموزشی تا رسیدن به عملکرد قابل قبول، میزان مصرف حافظه و نرخ همگرایی مورد ارزیابی قرارگرفته است . این مقاله، با حل مسئله ماز با الگوریتم ژنتیک، انواع الگوریتمهای یادگیری تقویتی و سیستمهای دستهبند یادگیر، نقاط قوت و ضعف متمایز این رویکردها را نشانمی دهد. هر الگوریتم روشهای منحصر به فردی برای یافتن مسیر ارائه می دهد که تحت تأثیر اصول اساسی و کارایی عملیاتی آنها قرار دارد. نتایج نشانمیدهد که الگوریتم ژنتیک با وجود همگرایی سریعتر، در برخی موارد دچار نوسان در کیفیت مسیر میشود. در مقابل، الگوریتم Q-Learning بهصورت تدریجی ولی پایدار به راهحل بهینه نزدیک میشود. سیستمهای دستهبند یادگیر نیز با ارائه قوانین قابل تفسیر، عملکرد قابل قبولی از خود نشان دادهاند، هر چند همگرایی آنها نسبت به دو الگوریتم دیگر کندتر است و ترکیب ویژگیهای الگوریتمهای تقویتی و ژنتیکی در سیستمهای دستهبند یادگیر نیز منجر به بهبود نسبی نتایج شده است. در مجموع، یافتههای این پژوهش میتواند راهنمایی مؤثر برای انتخاب الگوریتم مناسب در کاربردهای مختلف مسیریابی و تصمیمگیری هوشمند فراهم آورد.
