انجمن سیستم های فازی ایران سیستم های فازی و کاربردها 2717-4409 1 2 2019 02 20 A review of fuzzy reinforcement learning methods with critical-only architecture مروری بر روش های یادگیری تقویتی فازی با معماری نقاد-تنها 11 34 86075 20.1001.1.27174409.1397.1.2.2.5/DOR FA ولی درهمی دانشگاه یزد، پردیس فنی و مهندسی، گروه مهندسی کامپیوتر فریناز اعلمی یان هرندی دانشگاه یزد، پردیس فنی و مهندسی، گروه مهندسی کامپیوتر Journal Article 2019 03 05 This article reviews fuzzy reinforcement learning methods with critical-only architecture. Fuzzy reinforcement learning is the result of combining fuzzy systems as a comprehensive approximator and reinforcement learning method. Reinforcement learning is a powerful learning method that adjusts system parameters online using only a numerical signal of reward or penalty. In critical architecture, only a zero-order Sugeno fuzzy system is used to approximate the value-action function, and the final action is obtained based on the value of the candidate actions in the sequence of each fuzzy rule and learning (FQL). In this paper, two basic methods called fuzzy Q learning to regulate the value of candidate's actions are described. In these two methods (FSL) fuzzy Sarsa is used to generalize the methods of learning standard Q and standard Sarsa learning, respectively. The existence of positive mathematical analysis of convergence is FQL over FSL. There are the most important advantages and extensions of FSL and FQL. FQL methods, while examples of divergence, have been used in many control issues such as robot movement, robot arm movement, boat movement, computer network routing, and wind farm control. این مقاله به مرور روش های یادگیری تقویتی فازی با معماری نقاد-تنها می پردازد . یادگیری تقویتی فازی از ترکیب سیستم های فازی به عنوان تقریب زننده ی جامع و روش یادگیری تقویتی حاصل شده است. یادگیری تقویتی یک روش یادگیری قوی است که تنها با استفاده از سیگنال عددی پاداش یا جریمه پارامترهای سیستم را به صورت برخط تنظیم می نماید. در معماری نقاد-تنها یک سیستم فازی مدل سوگنو مرتبه ی صفر برای تقریب تابع ارزش-عمل استفاده می شود و عمل نهایی بر اساس مقدار ارزش عمل های نامزد در تالی هر قاعده ی فازی و یادگیری(FQL) به دست می آید. در این مقاله دو روش پایه به نام های یادگیری کیو فازی برای تنظیم ارزش عمل های نامزد قواعد بیان می شود. در این دو روش(FSL) سارسای فازی به ترتیب از تعمیم روش های یادگیری کیو استاندارد و یادگیری سارسای استاندارد بهره برده شده وجود تحلیل های مثبت ریاضی درخصوص همگرایی است FQL بر FSL است. مهمترین برتری و گسترش هایی از FSL و FQL وجود دارد. روش های FQL در حالی که مثال هایی از واگرایی در آنها در مسائل کنترلی زیادی همچون حرکت ربات، حرکت بازوی ربات، حرکت قایق، مسیریابی در شبکه های کامپیوتری، و کنترل نیروگاه بادی استفاده شده و کارآیی خود را نشان داده اند. https://jfsa.fuzzy.ir/article_86075_89095ac091137b3185e5bc254ef65847.pdf