| Form of studies |
Bachelor |
| Title of the study programm |
Smart Computer Technologies |
| Title in original language |
Mašīnmācīšanās algoritmu efektivitātes novērtēšana dinamisku un adaptīvu sistēmu imitācijā |
| Title in English |
Evaluation of the Effectiveness of Machine Learning Algorithms in the Imitation of Dynamic and Adaptive System |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Vitālijs Boļšakovs |
| Reviewer |
Mihails Fraimans |
| Abstract |
Šis bakalaura darbs ir veltīts imitācijas vides izstrādei, kas ļauj apmācīt virtuālos
aģentus un novērtēt dažādus lēmumu pieņemšanas algoritmus dinamiskās un adaptīvās
sistēmās. Galvenā uzmanība tiek pievērsta stimulētās mācīšanās metožu efektivitātes
analīzei, kas ļauj noteikt vispiemērotākos algoritmus konkrētiem apstākļiem.
Darbs aplūko stimulētās mācīšanās pamatprincipus, kā arī detalizēti analizē
Proksimālās politikas optimizācijas algoritmu (Proximal Policy Optimization, PPO),
Mīkstā aktora-kritiķa algoritmu (Soft Actor-Critic, SAC) un Priekšrocību aktora-kritiķa
algoritmu (Advantage Actor-Critic, A2C). Izstrādātā imitācijas vide nodrošina
kontrolētus apstākļus, kuros iespējams testēt algoritmus un pielāgot tos mainīgiem
apstākļiem. Tas ļauj novērtēt to spēju mācīties, noturību pret vides nepastāvību un
piemērotību reāliem scenārijiem.
Diplomdarbs ir vērsts uz optimālā algoritma izvēles problēmas risināšanu
konkrētiem dinamiskajiem apstākļiem, kas ir īpaši aktuāli robotikā, autonomajās
sistēmās un citās jomās, kur nepieciešama inteliģenta lēmumu pieņemšana. Darba gaitā
tiek izstrādātas metodes algoritmu efektivitātes novērtēšanai, kā arī to pielāgošanas
stratēģijas, kas veicina turpmāku pielietojumu praktiskos uzdevumos. |
| Keywords |
Mašīnmācīšanās algoritmi, aģentu imitācija, lēmumu optimizācija, veiktspējas salīdzināšana |
| Keywords in English |
Machine learning algorithms, agent imitation, decision optimization, performance comparison |
| Language |
lv |
| Year |
2025 |
| Date and time of uploading |
27.05.2025 19:38:45 |
