یک روش ترکیبی جدید یادگیری تقویتی فازی

در این مقاله یک روش جدید یادگیری تقویتی پیوسته برای مسائل کنترل ارائه می شود. روش ارائه شده از ترکیب روش «تکرار سیاست کمترین مربعات» با یک سیستم فازی سوگنوی مرتبه صفر حاصل شده و «تکرار سیاست کمترین مربعات فازی» نامیده شده است. در اینجا برای هر قاعده فازی تعدادی عمل نامزد در نظر گرفته می شود. هدف، یافتن مناسب ترین عمل نامزد (تالی) برای هر قاعده می باشد. با استفاده از بردار شدت آتش قواعد فازی و عمل های نامزد مربوط به قواعد، توابع پایه حالت –عمل به گونه ای تعریف شده اند که شرایط قضایای روش تکرار سیاست کمترین مربعات را برآورده می نمایند. با استفاده از توابع پایه حالت- عمل تعریف شده و بهره گیری از الگوریتم تکرار سیاست کمترین مربعات، یک روش جدید برای تازه سازی پارامترهای وزن تالی قواعد ارائه می شود. تحلیل ریاضی که برای این الگوریتم آورده می شود، کران خطایی برای اختلاف تابع مقدار ارزش حالت-عمل واقعی و تخمین تابع ارزش حالت-عمل حاصل از الگوریتم ارائه شده، تعریف می کند. نتایج شبیه سازی در مساله معروف قایق، حاکی از سرعت آموزش بالاتر و نیز کیفیت عملکرد بهتر روش پیشنهادی نسبت به دو روش یادگیری کیوی فازی و یادگیری سارسای فازی است. از مزایای دیگر روش ارائه شده، عدم نیاز به تعیین نرخ آموزش است.