Hareket temelli yapay yaşam formlarının farklı öğrenme yöntemleri kullanılarak uyarlanabilmedeki başarılarının ölçülmesi

Abstract

Hareket etme problemi öğrenme yöntemleri üzerinde çalışmak için çok elverişli birproblemdir. Bu durum hareket probleminin zor bir öğrenme probleminin bütün parçalarınıiçermesinden kaynaklanmaktadır. Bu bilgiden yola çıkarak tezde eklemli yapıya sahip biryapay yaşam formunun hareketlerini kontrol edebilmeyi öğrenmesini sağlayacak çeşitliöğrenme yöntemlerinin uygulanması ve karşılaştırılması gerçekleştirilmiştir. Öğrenmedoğanın fizik kurallarının benzetildiği gerçekçi bir yapay ortamda sağlanmıştır.Hareket etme, uyarlanabilirlik isteyen bir problemdir. Bu nedenle hareket kontrolmekanizmasının önceden belirlenmiş veya dış kaynaklı olmasındansa nasıl hareket etmesigerektiğini yapay yaşam formunun kendi kendine öğrenmesi daha tercih edilebilir birdurumdur. Dolayısıyla yapay yaşam formunun hareket etmeyi öğrenmesinigerçekleştirebilmek amacıyla organizmaların işleyiş şekillerinden etkilenerek oluşturulan üçöğrenme alanından faydalanılmıştır.Temel alınan alanlar evrimsel öğrenme, denetimli öğrenme ve destekli öğrenmedir. Evrimselöğrenmeyi gerçekleştirmek için Genetik Algoritmalar, denetimli öğrenmeyi gerçekleştirmekiçin Yapay Sinir Ağlarının eğitilmesine yarayan Geri Yayılımlı Öğrenme ve Yinelenen YapaySinir Ağlarının eğitilmesinde kullanılan Gerçek Zamanlı Yinelenen Öğrenme, destekliöğrenmeyi sağlamak için ise Q-Öğrenme ve Politika Gradyanlı Destekli Öğrenmeyöntemlerinden faydalanılmıştır.Genetik Algoritma ile öğrenmenin gerçekleşmesi diğer yöntemlere göre çok yavaş olmuştur,öğrenme sonucunda da belirgin ve emin adımlarla ilerlediği görünümünü sağlayan yavaşadımlar gözlemlenmiştir. Denetimli öğrenmeyi gerçekleştirmek amacı ile kullanılanyöntemler arasında Gerçek Zamanlı Yinelenen Öğrenme daha iyi sonuçlar vermiştir. Buyöntemle öğrenme çabuk gerçekleşmiştir ve yaşam formu çok hızlı adımlarla ilerlemiştir fakatçoğunlukla ilerlediği doğrultuda sapmalar yaşanmıştır. Destekli öğrenme için kullanılanyöntemlerden Q-Öğrenme problem uzayının boyutuna ayak uyduramadığından başarısızsonuçlar vermiştir. Politika Gradyanlı Destekli Öğrenme ile eğitilen yapay yaşam formları isebüyük ve belirgin adımlar ile ilerlemişlerdir. Öğrenme çabuk gerçekleşmiştir, bu öğrenmeyöntemi ile eğitilen yapay yaşam formlarının ilerleme hızı yavaştır fakat hareketlerdüzgündür, genelde sapma göstermemişlerdir.Sonuç olarak üç öğrenme alanının kullanımından da görsel olarak belli bir gerçekçilik eşiğinitutturan hareketler elde edilmiştir. Yöntemlerin sonuçlarındaki farklılık daha çok öğrenmehızı, hareket hızı ve doğrultu değişiminden kaynaklanmaktadır. Gerçek Zamanlı YinelenenÖğrenmedeki sapmalarının ileriki çalışmalarda azaltılması hedeflenmelidir. Ayrıca dahasonraki çalışmalarda Genetik Algoritmalar ile Politika Gradyanlı Destekli Öğrenmeyöntemleri birleştirilerek daha iyi sonuçlar elde edilmesi beklenmektedir.Anahtar Kelimeler: Yapay Yaşam, Dinamik Hareket, Evrimsel Öğrenme, DenetimliÖğrenme, Destekli Öğrenme