文献

J-GLOBAL ID：201402255716017400   整理番号：14A0034948

進化オペラント行動学習モデルと移動ロボット障害物回避へのその利用

Evolutionary operant behavior learning model and its application to mobile robot obstacle avoidance

著者 (3件)： Gao Yuanyuan (School of Information Engineering, Zhejiang Agriculture and Forestry Univ., Zhejiang, Hangzhou) ,  Zhu Fan (School of Information Engineering, Zhejiang Agriculture and Forestry Univ., Zhejiang, Hangzhou) ,  Song Hongjun (School of Information Engineering, Zhejiang Agriculture and Forestry Univ., Zhejiang, Hangzhou)
資料名： Jisuanji Yingyong  (Jisuanji Yingyong)
巻： 33  号： 8  ページ： 2283-2288  発行年： 2013年 
JST資料番号： C2535A  ISSN： 1001-9081  CODEN： JYIIDU  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 遺伝的アルゴリズム(GA)の進化思考を組み合わせて,ロボット障害物回避での劣った自己適応型能力問題の解決に,進化オペラント行動学習モデル(EOBLM)を未知環境における移動ロボット学習障害物回避に提案する。オペラント条件づけ(OC)と適応発見評論家(AHC)学習に基づいている。提案モデルはAHC学習アーキテクチャの修正バージョンであった。適応評論家要素(ACE)ネットワークは多層フィードフォワードネットワークで構成され,学習はTD(λ)アルゴリズムと勾配降下アルゴリズムで増した。指向性機構は因性動機付けとしてこの段階で設計し,エージェント学習の方向の指導ができた。適応淘汰要素(ASE)ネットワークを使用して,状態からアクターまで最も良いマッピングを達成するためにオペラント行動を最適化した。最適化プロセスには2つの段階がある。最初の段階では,OC学習アルゴリズムで得た情報エントロピーをGA学習を実行する最適個体を調べるために個体適応度として使用した。第2段階では,OC学習は最適個体の中で最適操作挙動を選択して,新情報エントロピーを得た。障害物回避に関する実験の結果は,方式が積極的に学習障害物回避の性能を持つ移動ロボットに絶えず経路探索に環境との相互作用を授けることを示す。結果は従来のAHC学習アルゴリズムと比較して,提案モデルには自己学習と自己適応型能力に関するより良い性能があった。Data from the ScienceChina, LCAS. Translated by JST

シソーラス用語： *オペラント行動 ,  移動ロボット ,  学習モデル ,  障害物回避 ,  学習 ,  ニューラルネットワーク ,  遺伝的アルゴリズム ,  条件付け ,  エントロピー ,  学習アルゴリズム ,  計算機アーキテクチャ
準シソーラス用語： 行動学習 ,  フィードフォワードネットワーク ,  オペラント条件づけ ,  情報エントロピー ,  アーキテクチャ

分類 (1件)： 計算機網  (JC03000K)

タイトルに関連する用語 (5件)： 進化 ,  オペラント行動 ,  学習モデル ,  移動ロボット ,  障害物回避