Please use this identifier to cite or link to this item:
https://bdm.ufpa.br/jspui/handle/prefix/5176
Compartilhar:
| Type: | Trabalho de Conclusão de Curso - Graduação - Artigo |
| Issue Date: | 13-Dec-2022 |
| Title: | Técnicas de aprendizagem por reforço na resolução do Mundo de Wumpus |
| Creator: | RODRIGUES, Rodrigo Moraes |
| First advisor: | TEIXEIRA, Otávio Noura |
| First co-advisor : | ARAÚJO, Natália Freitas |
| Citation: | RODRIGUES, Rodrigo Moraes. Técnicas de aprendizagem por reforço na resolução do Mundo de Wumpus. Orientador: Otávio Noura Teixeira; Coorientadora: Natália Freitas Araújo. 2022. [18] f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) – Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2022. Disponível em: https://bdm.ufpa.br:8443/jspui/handle/prefix/5176. Acesso em:. |
| Resumo: | Este trabalho tem por objetivo analisar o desempenho de um agente baseado em Aprendizagem por Reforço. O seu mecanismo de aprendizagem está baseado em três algoritmos: Q-learning (QL), Deep Q-Network (DQN) e Double Deep Q-Network (DDQN). Para validação do agente e seus métodos, foi definido como ambiente o Mundo de Wumpus, o qual foi modelado segundo os padrões de ambientes adotados pela DeepMind Lab. A partir dos experimentos realizados e suas respectivas configurações, foi observado que os agentes conseguiram alcançar o objetivo principal somente em duas configurações de ambientes. No ambiente 4x4 a porcentagem de vitória dos algoritmos QL, DQN e DDQN foram 0.005, 22.96, 18.73 % respectivamente, o que reduziu drasticamente para o cenário 10x10 e não conseguindo cumprir o objetivo para os demais ambientes. |
| Abstract: | This work aims to analyze the performance of an agent based on Reinforcement Learning. Your learning engine is based on three algorithms: Qlearning (QL), Deep Q-Network (DQN) and Double Deep Q-Network (DDQN). To validate the agent and its methods, it was defined as environment the World of Wumpus, which was modeled according to the environment standards adopted by DeepMind Lab. From the experiments performed and their respective configurations, it was observed that the agents managed to reach the main objective only in two configurations of environments. In the 4x4 environment the winning percentage of the QL, DQN algorithms and DDQN were 0.005, 22.96, 18.73% respectively, which drastically reduced specifically for the 10x10 scenario and failing to meet the objective for the other environments. |
| CNPq: | CNPQ::ENGENHARIAS CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
| Keywords: | Q-learning Deep Q-Network Double Deep Q-Network Mundo de Wumpus |
| Type of access: | Acesso Aberto |
| URI Source: | Disponível na Internet via Sagitta |
| Appears in Collections: | Faculdade de Engenharia da Computação - FECOMP/CAMTUC |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| TCC_Artigo_TecnicasAprendizagemReforco.pdf | 1,46 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
