Mākslīga interese un mākslīga motivācija

Abstract

Mākslīgie aģenti, tādi kā roboti un datorspēļu personāži, joprojām atpaliek no dzīvajiem organismiem navigācijas uzdevumu risināšanā. Dzīvnieki paši apmācās rīkoties pasaulē, bet roboti prasa darbietilpīgu uzvedības programmēšanu. Šis darbs ir veltīts tam, lai saprastu kā var uzbūvēt mākslīgo aģentu, kas spēj pats, kļūdu un mēģinājumu formā iemācīties risināt vienkāršas navigācijas problēmas. Uzsvars ir likts uz optimāla tikla izmēra noskaidrošanu. Kā apmācības mehānismu autors izmanto neirontīklus un ģenētiskus algoritmus. Veikti vairāki eksperimenti piegājiena iespēju izpētei.

Artificial agents, namely robots and video game characters, are still inferior in their ability to solve navigation problems comparing to living organisms. Animals learn how to perform certain actions, while robots demand tedious programming. In this work we consider various approaches to building a self-learning artificial agent. We use artificial neural networks as a learning mechanism. Our primary focus is made on memory usage. Multiple experiments were performed to determine abilities of the approach used.