Dynamic State Representation for Homeostatic Agents

Examensarbete för masterexamen

Använd denna länk för att citera eller länka till detta dokument: https://hdl.handle.net/20.500.12380/256399
Ladda ner:
Fil Beskrivning StorlekFormat 
256399.pdfFulltext3.6 MBAdobe PDFVisa
Typ: Examensarbete för masterexamen
Master Thesis
Titel: Dynamic State Representation for Homeostatic Agents
Författare: Mäkeläinen, Fredrik
Torén, Hampus
Sammanfattning: In a reinforcement learning setting an agent learns how to behave in an environment through interactions. For complex environments, the explorable state space can easily become unmanageable, and efficient approximations are needed. The Generic Animat model (GA model), heavily influenced by biology, takes an approach utilising a dynamic graph to represent the state. This thesis is part of the Generic Animat research project at Chalmers that develops the GA model. In this thesis, we identify and implement potential improvements to the GA model and make comparisons to standard Q-learning and deep Q-learning. With the improved GA model we show that in a state space larger than 232, we see substantial performance gains compared to the original model.
Nyckelord: Data- och informationsvetenskap;Computer and Information Science
Utgivningsdatum: 2018
Utgivare: Chalmers tekniska högskola / Institutionen för data- och informationsteknik (Chalmers)
Chalmers University of Technology / Department of Computer Science and Engineering (Chalmers)
URI: https://hdl.handle.net/20.500.12380/256399
Samling:Examensarbeten för masterexamen // Master Theses



Materialet i Chalmers öppna arkiv är upphovsrättsligt skyddat och får ej användas i kommersiellt syfte!