یک معیار مبتنی بر واریانس برای ارزیابی یادگیری آتاماتای یادگیر در حل مسایل بهینه‌سازی گراف تصادفی
محورهای موضوعی : مهندسی برق و کامپیوترمحمدرضا ملاخلیلی میبدی 1 , محمدرضا میبدی 2
1 - دانشگاه آزاد اسلامی، واحد میبد
2 - دانشگاه صنعتی امیرکبیر
کلید واژه: شبکه آتاماتاهای یادگیر واریانس همگرایی درخت پوشای کمینه تصادفی کوتاه‌ترین مسیر تصادفی,
چکیده مقاله :
در این مقاله به بررسی یک معیار جدید مقایسه‌ای برای تولید پاسخ محیط در حل مسایل بهینه‌سازی روی گراف‌های تصادفی به عنوان مدلی از شبکه‌های کامپیوتری توسط شبکه‌ای از آتاماتاهای یادگیر می‌پردازیم. این روش جدید به دلیل لحاظ‌کردن تقریبی از واریانس پاسخ‌های تولیدشده توسط شبکه آتاماتاهای یادگیر، قادر به انطباق بیشتری با محیط بوده و در نتیجه پاسخ‌های مناسب‌تری به اقدام‌های انجام‌شده توسط آتاماتاها در شبکه‌ای از آتاماتاهای یادگیر می‌دهد. روش جدید از طریق واردکردن یک مقدار نویز محاسبه‌شده، از ایستایی فرایند یادگیری و گیرافتادن آن در نقاط کمینه محلی جلوگیری کرده و باعث تسریع در فرایند یادگیری می‌شود. به کمک شبیه‌سازی‌ها نشان می‌دهیم این روش جدید در مقایسه با روش‌های فعلی که تا کنون مورد استفاده بوده است، هم به لحاظ سرعت همگرایی به جواب بهینه و هم به لحاظ قابلیت گریز از اثر واریانس وزن یال‌های گراف تصادفی- که باعث میل جواب نهایی به سمت کوچک‌ترین مقدار و نه مقدار میانگین می‌شود- عملکرد بهتری دارد.
In this paper, a new criterion is introduced for solving optimization problems on stochastic graphs- as a model of computer networks-by stochastic learning Automata. This proposed method, because of considering estimated variance of response of environment, can better adaptation to changes of environment. As a result, the proposed method can produce better response to learning Automata actions. The proposed method, by entering a noise, can avoid learning Automata being stuck at a local optimum point. Our simulation shows that this proposed method can be improve the convergence rate of Automata-based algorithm.