izpis_h1_title_alt

Use of relaxed stochastic controls in reinforcement learning : magistrsko delo
ID Rems, Jan (Avtor), ID Agram, Nacira (Mentor) Več o mentorju... Povezava se odpre v novem oknu, ID Košir, Tomaž (Komentor)

.pdfPDF - Predstavitvena datoteka, prenos (794,72 KB)
MD5: F758F2DEA8454D2B99EEBBEA38C1DBB4

Izvleček
In this work, we investigate how relaxed stochastic controls are used for exploration in continuous time and space reinforcement learning. The environment $X^u$ is modeled by a stochastic differential equation controlled by control $u$, while the value function $V^u$ is an infinite horizon performance functional. For relaxed control distribution $\pi$ we introduce relaxed versions of environment $X^{\pi}$ and value function $V^{\pi}.$ In a special linear-quadratic case the optimal control distribution turns out to be Gaussian with mean depending on the current state, and variance depending on exploration weight parameter. A reinforcement learning algorithm for optimal investment strategy in a simple model of the financial market with the infinite horizon is developed and tested.

Jezik:Angleški jezik
Ključne besede:reinforcement learning, exploration, stochastic control theory, relaxed controls, dynamical programming, optimal investment strategy
Vrsta gradiva:Magistrsko delo/naloga (mb22)
Organizacija:FMF - Fakulteta za matematiko in fiziko
Leto izida:2021
UDK:519.8
COBISS.SI-ID:7933389 Povezava se odpre v novem oknu
Datum objave v RUL:16.09.2021
Število ogledov:275
Število prenosov:78
Metapodatki:XML RDF-CHPDL DC-XML DC-RDF
:
Objavi na:AddThis
AddThis uporablja piškotke, za katere potrebujemo vaše privoljenje.
Uredi privoljenje...

Sekundarni jezik

Jezik:Slovenski jezik
Naslov:Uporaba relaksiranih stohastičnih akcij v spodbujevalnem učenju
Izvleček:
V tem delu si ogledamo, kako uporabiti relaksirane stohastične akcije pri definiranju raziskovanja v spodbujevalnem učenju v zveznem prostoru in času. Prostor $X^u$ je modeliran s stohastično diferencialno enačbo kontrolirano z akcijo $u.$ Funkcijo vrednosti $V^u$ je funkcional uspešnosti na neskončnem časovnem obdobju. Za relaksirano akcijo $\pi$ vpeljemo raziskovalno verzijo okolja $X^{\pi}$ in funkcijo vrednosti $V^{\pi}.$ V posebnem linearno-kvadratičnem primeru se izkaže, da je optimalna relaksirana akcija Gaussova, kjer je pričakovana vrednost odvisna od trenutnega stanja, varianca pa od parametra, ki kontrolira raven raziskovanja v modelu. Predstavljen je algoritem spodbujevalnega učenja za napoved optimalne strategije v preprostem modelu finančnega trga z neskončim časovnim oknom.

Ključne besede:spodbujevalno učenje, raziskovanje okolja, teorija upravljanja stohastičnih sistemov, relaksirane stohastične akcije, dinamično programiranje, optimalna investicijska strategija

Podobna dela

Podobna dela v RUL:
Podobna dela v drugih slovenskih zbirkah:

Nazaj