تحسين تطوري متعدد العوامل التكيفية للتعلم المعزز المتعدد المهام

عرضت الحسابات التطورية إلى حد بعيد إمكانياتها في تكملة خوارزميات التعلم التقليدية في مجموعة متنوعة من مهام التعلم الآلي، وخاصة تلك المتعلقة بالتعلم غير المراقب (التجميع) والتعلم المراقب. لم يتم حتى الآونة الأخيرة وضع الكفاءة الحسابية للحلول التطورية في منظور تدريب نماذج التعلم المعزز. ومع ذلك، فقد اعتبرت معظم الدراسات التي تم تأطيرها حتى الآن في هذا السياق البيئات والمهام التي تم تصورها بشكل معزول، دون أي تبادل للمعرفة بين المهام ذات الصلة. في هذه المخطوطة نقدم A-MFEA-RL، النسخة التكيفية من خوارزمية MFEA المعروفة التي تم تصميم مشغلات البحث والإرث فيها لتناسب بيئات التعلم المعزز متعددة المهام. على وجه التحديد، تتضمن نهجنا آليات التقاطع والإرث لتحسين تبادل المادة الوراثية، والتي تعتمد على الهيكل متعدد الطبقات لنماذج التعلم العميق المعتمدة على التعلم المعزز. من أجل تقييم أداء النهج المقترح، نصمم إعدادًا تجريبيًا مكثفًا يتضمن بيئات تعلم معزز متعددة بمستويات مختلفة من التعقيد، حيث تتم مقارنة أداء A-MFEA-RL بالأداء الذي تقدمه نهج التعلم المعزز متعدد المهام غير التطوري البديل. كما يُستنتج من مناقشة النتائج التي تم الحصول عليها، أن A-MFEA-RL لا يحقق فقط معدلات نجاح تنافسية على المهام المعالجة في وقت واحد، بل يعزز أيضًا تبادل المعرفة بين المهام التي يمكن أن يتوقع منها بشكل بديهي الاحتفاظ بدرجة من العلاقة التآزرية.