JP6919856B2 - 強化学習プログラム、強化学習方法、および強化学習装置 - Google Patents
強化学習プログラム、強化学習方法、および強化学習装置 Download PDFInfo
- Publication number
- JP6919856B2 JP6919856B2 JP2017177970A JP2017177970A JP6919856B2 JP 6919856 B2 JP6919856 B2 JP 6919856B2 JP 2017177970 A JP2017177970 A JP 2017177970A JP 2017177970 A JP2017177970 A JP 2017177970A JP 6919856 B2 JP6919856 B2 JP 6919856B2
- Authority
- JP
- Japan
- Prior art keywords
- time
- input
- reinforcement learning
- output
- past
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
- H04L41/0816—Configuration setting characterised by the conditions triggering a change of settings the condition being an adaptation, e.g. in response to network events
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Feedback Control In General (AREA)
Description
図1は、実施の形態にかかる強化学習方法の一実施例を示す説明図である。強化学習装置100は、制御対象110に対する入力値を決定することにより、制御対象110を制御するコンピュータである。強化学習装置100は、例えば、サーバやPC(Personal Computer)、マイクロコントローラなどである。
次に、図2を用いて、図1に示した強化学習装置100のハードウェア構成例について説明する。
次に、図3を用いて、強化学習装置100の機能的構成例について説明する。
次に、強化学習の実施例について説明する。実施例において、下記式(1)〜下記式(9)によって、制御対象110の状態方程式と、出力方程式と、即時コストの2次形式の方程式とが規定され、問題設定が行われる。実施例において、制御対象110の状態は、直接観測可能ではない。
ここで、上記式(1)〜上記式(9)による問題設定が、ベクトルztに関して完全観測である問題設定と等価として扱うことができる性質を有することについて説明する。
次に、図4および図5を用いて、制御対象110の具体例について説明する。
次に、図6および図7を用いて、強化学習処理手順の一例について説明する。
現在の時刻より過去の時刻における入力と、前記現在の時刻および前記過去の時刻における出力との二次形式により表現される前記価値関数の係数を、前記過去の時刻における入力と、前記現在の時刻および前記過去の時刻における出力と、前記過去の時刻における入力に応じたコストまたは報酬とに基づき推定し、
推定した前記係数を用いた前記価値関数に基づき、制御則を規定する係数を決定し、推定した後の時刻における入力値を決定する、
処理をコンピュータに実行させることを特徴とする強化学習プログラム。
前記価値関数に基づき、前記推定した後の時刻における出力を用いて、前記推定した後の時刻における入力値を決定する、ことを特徴とする付記1または2に記載の強化学習プログラム。
入力からコストまたは報酬への影響度合いを示す係数が未知であり、前記過去の時刻における入力と前記現在の時刻および前記過去の時刻における出力とに関して完全観測である、前記価値関数を用いた制御問題について、前記価値関数の係数を推定する、ことを特徴とする付記1〜3のいずれか一つに記載の強化学習プログラム。
現在の時刻より過去の時刻における入力と、前記現在の時刻および前記過去の時刻における出力との二次形式により表現される前記価値関数の係数を、前記過去の時刻における入力と、前記現在の時刻および前記過去の時刻における出力と、前記過去の時刻における入力に応じたコストまたは報酬とに基づき推定し、
推定した前記係数を用いた前記価値関数に基づき、制御則を規定する係数を決定し、推定した後の時刻における入力値を決定する、
処理をコンピュータが実行することを特徴とする強化学習方法。
現在の時刻より過去の時刻における入力と、前記現在の時刻および前記過去の時刻における出力との二次形式により表現される前記価値関数の係数を、前記過去の時刻における入力と、前記現在の時刻および前記過去の時刻における出力と、前記過去の時刻における入力に応じたコストまたは報酬とに基づき推定し、
推定した前記係数を用いた前記価値関数に基づき、制御則を規定する係数を決定し、推定した後の時刻における入力値を決定する、
制御部を有することを特徴とする強化学習装置。
110 制御対象
200 バス
201 CPU
202 メモリ
203 ネットワークI/F
204 記録媒体I/F
205 記録媒体
210 ネットワーク
300 記憶部
301 観測部
302 推定部
303 決定部
304 出力部
Claims (5)
- 価値関数を用いた強化学習プログラムであって、
現在の時刻より過去の時刻における入力と、前記現在の時刻および前記過去の時刻における出力との二次形式により表現される前記価値関数の係数を、前記過去の時刻における入力と、前記現在の時刻および前記過去の時刻における出力と、前記過去の時刻における入力に応じたコストまたは報酬とに基づき推定し、
推定した前記係数を用いた前記価値関数に基づき、制御則を規定する係数を決定し、推定した後の時刻における入力値を決定する、
処理をコンピュータに実行させることを特徴とする強化学習プログラム。 - 前記価値関数は、前記現在の時刻および前記過去の時刻における入力と、前記現在の時刻および前記過去の時刻における出力との二次形式により表現される、ことを特徴とする請求項1に記載の強化学習プログラム。
- 前記決定する処理は、
前記価値関数に基づき、前記推定した後の時刻における出力を用いて、前記推定した後の時刻における入力値を決定する、ことを特徴とする請求項1または2に記載の強化学習プログラム。 - 価値関数を用いた強化学習方法であって、
現在の時刻より過去の時刻における入力と、前記現在の時刻および前記過去の時刻における出力との二次形式により表現される前記価値関数の係数を、前記過去の時刻における入力と、前記現在の時刻および前記過去の時刻における出力と、前記過去の時刻における入力に応じたコストまたは報酬とに基づき推定し、
推定した前記係数を用いた前記価値関数に基づき、制御則を規定する係数を決定し、推定した後の時刻における入力値を決定する、
処理をコンピュータが実行することを特徴とする強化学習方法。 - 価値関数を用いた強化学習装置であって、
現在の時刻より過去の時刻における入力と、前記現在の時刻および前記過去の時刻における出力との二次形式により表現される前記価値関数の係数を、前記過去の時刻における入力と、前記現在の時刻および前記過去の時刻における出力と、前記過去の時刻における入力に応じたコストまたは報酬とに基づき推定し、
推定した前記係数を用いた前記価値関数に基づき、制御則を規定する係数を決定し、推定した後の時刻における入力値を決定する、
制御部を有することを特徴とする強化学習装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017177970A JP6919856B2 (ja) | 2017-09-15 | 2017-09-15 | 強化学習プログラム、強化学習方法、および強化学習装置 |
US16/130,482 US11645574B2 (en) | 2017-09-15 | 2018-09-13 | Recording medium, reinforcement learning method, and reinforcement learning apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017177970A JP6919856B2 (ja) | 2017-09-15 | 2017-09-15 | 強化学習プログラム、強化学習方法、および強化学習装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019053589A JP2019053589A (ja) | 2019-04-04 |
JP6919856B2 true JP6919856B2 (ja) | 2021-08-18 |
Family
ID=65721486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017177970A Active JP6919856B2 (ja) | 2017-09-15 | 2017-09-15 | 強化学習プログラム、強化学習方法、および強化学習装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11645574B2 (ja) |
JP (1) | JP6919856B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020183816A (ja) * | 2019-04-26 | 2020-11-12 | ダイキン工業株式会社 | 熱源システム、目標運転容量推定方法、目標運転容量推定プログラム |
JP7171520B2 (ja) * | 2019-07-09 | 2022-11-15 | 株式会社日立製作所 | 機械学習システム |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5608843A (en) * | 1994-08-01 | 1997-03-04 | The United States Of America As Represented By The Secretary Of The Air Force | Learning controller with advantage updating algorithm |
JP5330138B2 (ja) | 2008-11-04 | 2013-10-30 | 本田技研工業株式会社 | 強化学習システム |
US20120100134A1 (en) * | 2009-04-24 | 2012-04-26 | University Of Southern California | Genetic variants in angiogenesis pathway associated with clinical outcome |
US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
US20180218380A1 (en) * | 2015-09-30 | 2018-08-02 | Nec Corporation | Information processing system, information processing method, and information processing program |
US11205103B2 (en) * | 2016-12-09 | 2021-12-21 | The Research Foundation for the State University | Semisupervised autoencoder for sentiment analysis |
GB2559408B (en) * | 2017-02-06 | 2020-07-08 | Toshiba Kk | A spoken dialogue system, a spoken dialogue method and a method of adapting a spoken dialogue system |
US10176073B2 (en) * | 2017-02-24 | 2019-01-08 | International Business Machines Corporation | Controlling a system under test using a cognitive control based test runner |
-
2017
- 2017-09-15 JP JP2017177970A patent/JP6919856B2/ja active Active
-
2018
- 2018-09-13 US US16/130,482 patent/US11645574B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019053589A (ja) | 2019-04-04 |
US11645574B2 (en) | 2023-05-09 |
US20190087751A1 (en) | 2019-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zio et al. | Particle filtering prognostic estimation of the remaining useful life of nonlinear components | |
US20160357166A1 (en) | Gray box model estimation for process controller | |
Si et al. | Prognostics for linear stochastic degrading systems with survival measurements | |
Sersour et al. | Nonlinear system identification of fractional Wiener models | |
JP6718500B2 (ja) | 生産システムにおける出力効率の最適化 | |
JP6958808B2 (ja) | 方策改善プログラム、方策改善方法、および方策改善装置 | |
Imani et al. | Multiple model adaptive controller for partially-observed Boolean dynamical systems | |
JP6919856B2 (ja) | 強化学習プログラム、強化学習方法、および強化学習装置 | |
WO2020105468A1 (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラムが格納された非一時的なコンピュータ可読媒体 | |
Liu et al. | Robust global identification of LPV errors-in-variables systems with incomplete observations | |
JP2017227994A (ja) | 人流予測装置、パラメータ推定装置、方法、及びプログラム | |
JP7188194B2 (ja) | 方策改善方法、方策改善プログラム、および方策改善装置 | |
JP7476136B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
Mehta et al. | Adaptive sampling design for multi-task learning of Gaussian processes in manufacturing | |
JP2021064222A (ja) | 方策改善方法、方策改善プログラム、および方策改善装置 | |
Akhare et al. | DiffHybrid-UQ: Uncertainty Quantification for Differentiable Hybrid Neural Modeling | |
JP7180520B2 (ja) | 更新プログラム、更新方法および情報処理装置 | |
Hu et al. | Time-Dependent Reliability Analysis in Design | |
JP6999207B1 (ja) | データ解析方法、データ解析装置、及び、データ解析プログラム | |
Gralla et al. | Inverting prediction models in micro production for process design | |
US20240152748A1 (en) | System and Method for Training of neural Network Model for Control of High Dimensional Physical Systems | |
JP2023074114A (ja) | 情報処理装置、情報処理方法およびプログラム | |
Elinger et al. | Practical Considerations for Use of Causation Entropy in Sparsity Identification | |
Jeng et al. | Closed-loop identification of nonlinear Hammerstein model based on subspace approach | |
Rebai et al. | RIM: A Matlab software tool for recursive identification methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20171011 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20171011 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200528 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210527 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210622 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210713 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6919856 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |