鎖型状態行動学習の提案

抄録

本論文では，鎖型状態行動学習を提案する．実環境においては，細やかで精密な学習と状態数と行動数にさくメモリ数，学習時間との間にトレードオフの関係が存在する．この問題を解決するために，強化学習の学習プロセスの中で，推定価値を“良い”と“良くない”の２パターンと大まかにとらえ，“良い”状態行動対を一直線状に並べる方法へと変更する．これにより，列の順番それ自体を優先順位として与える．いくつかの単純なシミュレーションを行い，この手法の効果を確認した．