معرفی یک مدل شبیه سازی مبتنی بر یادگیری تقویتی در شبیه سازی دسته ای

شبیه سازی و مدلسازی، یکی از جنبه های بسیار مهم و گاها حیاتی، در بسیاری از زمینه های علمی و مهندسی هستند. شبیه سازی و بررسی سیستم های پیچیده معمولا کمک بزرگی را برای زندگی بهتر انسان ها فراهم آورده است. سیستم های پیچیده شامل دامنه ی بسیار بزرگی از مسائل است که از علوم مختلف برای پیشبرد اهداف آن مطالعات متنوعی صورت می گیرد. شبیه سازی کامپیوتری یکی از اهدافی است که در زمینه ی سیستم های پیچیده برای ارائه ی شبیه سازی های واقعی تر و کاراتر همیشه مطرح بوده است. روش های شبیه سازی مبتنی بر قانون یکی از مهم ترین رویکردها در شبیه سازی دسته ای است که به تعدد، تا به حال مورد استفاده قرار گرفته است. مطالعات جدید در این زمینه بیان داشته اند که شبیه سازی های مبتنی بر قانون دارای محدودیت هایی است که در مسائل بزرگ تر و پیچیده تر مشکلاتی را به همراه خواهد داشت. در پژوهش حاضر از روش یادگیری به جای استفاده از قوانین از پیش تعریف شده در شبیه سازی دسته ای استفاده شده است. با توجه به اینکه مفهوم یادگیری در ازدحام های دنیای واقعی نیز وجود دارد به نظر می رسد که استفاده از مفهوم یادگیری در شبیه سازی دسته ای باعث می شود شبیه سازی های واقعی تری داشته باشیم. همچنین با توجه به مشکلاتی که برای رویکردهای مبتنی بر قانون بیان شده است، سعی شده است تا با استفاده از ایده ی یادگیری در شبیه سازی دسته ای، قدمی در جهت رفع چالش ها برداشته شود. در پژوهش حاضر، پیاده سازی روش یادگیری تقویتی برای شبیه سازی تعدادی عامل در حوزه ی شبیه سازی دسته ای مورد مطالعه قرار گرفته است. در روش یادگیری تقویتی با یک رویکرد پاداش و تنبیه، عامل ها سعی می کنند تا رفتار درست و قوانین مختلف را یاد بگیرند. نتایج نشان داده اند که در یادگیری قوانین اصلی که مورد نظر بوده است (جدایی از برخورد با موانع و همسایگان، حرکت گروهی) عامل ها توانستند به یک کارایی مورد قبولی دست یابند. همچنین امکان پذیری استفاده از روش یادگیری در شبیه سازی، خود یک مزیت ذاتی نیز به شمار می رود.