دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Steven H. Kim (auth.)
سری: Microprocessor-Based and Intelligent Systems Engineering 13
ISBN (شابک) : 9789401044424, 9789401110167
ناشر: Springer Netherlands
سال نشر: 1994
تعداد صفحات: 193
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب یادگیری و هماهنگی: افزایش عملکرد عامل از طریق تصمیم گیری توزیع شده: هوش مصنوعی (شامل رباتیک)، تولید، ماشین آلات، ابزار، مهندسی مکانیک، تولید / لجستیک / مدیریت زنجیره تامین
در صورت تبدیل فایل کتاب Learning and Coordination: Enhancing Agent Performance through Distributed Decision Making به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری و هماهنگی: افزایش عملکرد عامل از طریق تصمیم گیری توزیع شده نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
سیستمهای هوشمند از نوع طبیعی، سازگار و قوی هستند: آنها در
طول زمان یاد میگیرند و تحت استرس بهخوبی تخریب میشوند. اگر
قرار است سیستمهای مصنوعی سطح مشابهی از پیچیدگی را نشان دهند،
یک چارچوب سازماندهی و اصول عملیاتی برای مدیریت پیچیدگی طراحی
و رفتار مورد نیاز است.
این کتاب یک چارچوب کلی برای سیستم های تطبیقی ارائه می دهد.
کاربرد چارچوب جامع با تطبیق آن با مدلهای خاص یادگیری
محاسباتی، از شبکههای عصبی تا منطق اعلامی، نشان داده
میشود.
کلید استحکام در تصمیم گیری توزیع شده نهفته است. یک نمونه از
این استراتژی شبکه عصبی در هر دو شکل بیولوژیکی و مصنوعی آن
است. در یک شبکه عصبی، دانش در مجموعه سلولها و پیوندهای آنها
رمزگذاری میشود، نه در هر جزء واحد. تصمیم گیری توزیع شده در
مورد عوامل مستقل آشکارتر است. برای جمعیتی از عوامل مستقل،
هماهنگی مناسب آنها ممکن است بیشتر از توانایی های فردی آنها
برای دستیابی به اهداف آنها مؤثر باشد.
این کتاب مشکلات و فرصتهای ناشی از عملکرد عوامل مستقل را به
صورت فردی و جمعی بررسی میکند. با پیروی از چارچوب کلی برای
سیستم های یادگیری و کاربرد آن در شبکه های عصبی، هماهنگی عوامل
مستقل از طریق تئوری بازی مورد بررسی قرار می گیرد. در نهایت،
کاربرد نظریه بازی برای عوامل مصنوعی از طریق مطالعه موردی در
هماهنگی روباتیک آشکار میشود.
با توجه به جهانی بودن موضوعات -- رفتار یادگیری و راهبردهای
هماهنگ در محیط های نامطمئن -- این کتاب مورد توجه دانشجویان و
محققین در رشته های مختلف از همه زمینه های مهندسی تا رشته های
محاسباتی خواهد بود. از علوم زیستی تا علوم فیزیکی؛ و از هنرهای
مدیریتی گرفته تا مطالعات اجتماعی.
Intelligent systems of the natural kind are adaptive and
robust: they learn over time and degrade gracefully under
stress. If artificial systems are to display a similar level
of sophistication, an organizing framework and operating
principles are required to manage the resulting complexity of
design and behavior.
This book presents a general framework for adaptive systems.
The utility of the comprehensive framework is demonstrated by
tailoring it to particular models of computational learning,
ranging from neural networks to declarative logic.
The key to robustness lies in distributed decision making. An
exemplar of this strategy is the neural network in both its
biological and synthetic forms. In a neural network, the
knowledge is encoded in the collection of cells and their
linkages, rather than in any single component. Distributed
decision making is even more apparent in the case of
independent agents. For a population of autonomous agents,
their proper coordination may well be more instrumental for
attaining their objectives than are their individual
capabilities.
This book probes the problems and opportunities arising from
autonomous agents acting individually and collectively.
Following the general framework for learning systems and its
application to neural networks, the coordination of
independent agents through game theory is explored. Finally,
the utility of game theory for artificial agents is revealed
through a case study in robotic coordination.
Given the universality of the subjects -- learning behavior
and coordinative strategies in uncertain environments -- this
book will be of interest to students and researchers in
various disciplines, ranging from all areas of engineering to
the computing disciplines; from the life sciences to the
physical sciences; and from the management arts to social
studies.
Front Matter....Pages i-xii
Introduction and Framework 1....Pages 1-19
Learning Speed in Neural Networks....Pages 21-67
Principles of Coordination....Pages 69-134
Case Study in Coordination....Pages 135-165
Conclusion....Pages 167-169
Back Matter....Pages 171-188