Forstærkningslæring

Hvordan lærer et system gennem belønninger?

Ved forstærkningslæring, også kaldet reinforcement learning eller RL, udfører et system handlinger i et miljø og modtager tilhørende belønninger. Herfra lærer det en handlingsstrategi, også kaldet en policy. Målet er at maksimere den forventede belønning gennem det betragtede forløb. Belønningens udformning er derfor afgørende: Det, beregningen belønner, skal passe til opgavens faktiske formål. En trænet strategi og dens senere anvendelse skal planlægges hver for sig.

I en fiktiv simulering skal et system lære rækkefølger for servicebesøg. En belønning alene for korte kørselsafstande ville ikke i sig selv tage hensyn til aftalte tidsvinduer. Teamet fastlægger derfor tilladte handlinger, bindende planlægningskrav og egnede vurderingsscenarier. Det undersøger også situationer, hvor korte ruter er i konflikt med rettidig gennemførelse af alle tildelte besøg. En høj simuleringsscore dokumenterer ikke i sig selv en egnet driftsplan. Før praktisk brug vurderes de faktiske rammer og håndteringen af afvigelser særskilt.

Kilder

• Google · What is Machine Learning?