Resumen

Los agentes de aprendizaje por refuerzo (RL) pueden aprender a controlar un sistema no lineal sin utilizar un modelo del sistema. Sin embargo, tener un modelo conlleva beneficios, principalmente en términos de una reducción en el número de intentos fallidos antes de lograr un rendimiento de control aceptable. Se han utilizado varios enfoques de modelado en el dominio del RL, como redes neuronales, regresión lineal local o procesos gaussianos. En este artículo, nos enfocamos en técnicas que no se han utilizado mucho hasta ahora: regresión simbólica (SR), basada en programación genética y modelado local. Utilizando datos medidos, la regresión simbólica produce un modelo analítico no lineal continuo en el tiempo. Comparamos dos métodos de vanguardia, SNGP (programación genética de un solo nodo) y MGGP (programación genética multigen), con un método estándar de regresión local incremental llamado RFWR (regresión ponderada de campo receptivo). Hemos introducido modificaciones en el algoritmo de RFWR para

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Aprendizaje por refuerzo; Modelo; Regresión simbólica; Programación genética; Redes neuronales; Rendimiento de control
• Keywords:Reinforcement learning; Model; Symbolic regression; Genetic programming; Neural networks; Control performance