| dc.description.abstract | Denne oppgaven undersøker muligheten for å bruke Monte-Carlo-tre-søk for å redusere søkeområdet til den velkjente maskinlæringsalgoritmen Neuroevolution of Augmenting Topologies, med
sikte på å oppnå kortere kjøretider og bedre løsninger. Hvordan en kombinasjon av de to algoritmene kan konstrueres er undersøkt gjennom design, implementering og eksperimentering.
Tre hovedmetoder er foreslått basert på eksperimentering utført i denne avhandlingen, samt
erfaringen fra tidligere arbeid i feltet. Algoritmene ble testet på miljøer fra Open AI gym og sammenlignet med den opprinnelige algoritmen.
Resultatene viser at ingen av de foreslåtte algoritmene er i stand til å overgå Neuroevolution
of Augmenting Topologies. De produserer ofte større nettverksløsninger, lengre løpstider eller
dårligere treningsformer. Men da dette er et tidlig forsøk på strategien, viser resultatene at arbeidet som foreslås i denne oppgaven kan fungere som et viktig grunnlag for videreutvikling i
området.
Koden for dette prosjektet er tilgjengelig på https://github.com/MrWe/NEAT_MCTS. | |
