Den klassiska approachen till navigering innefattar att agenten håller en intern representativ modell av omgivningen. Denna approach har emellertid många nackdelar, speciellt för dynamiska miljöer. En modernare approach är att förlita sig på den faktiska omgivningen istället för en modell av denna. Detta arbete presenterar en undersökning av navigeringsproblemet och hur väl det löses av agenter vars kontrollmekanismer utgörs artificiella neurala nätverk. Tillförlitligheten hos de två neurala arkitekturerna Extended sequential cascaded network och Self-organized recurrent network bestäms genom experiment. Det visas i experimenten att Extended sequential cascaded network är den mest tillförlitliga arkitekturen av de två när navigeringsproblemet skall angripas. Det visas även att Extended sequential cascaded network tränar fram ett helt reaktivt beteende i samtliga experiment. Slutsatsen som kan dras av detta är att svåra problem inte alltid kräver avancerade arkitekturer för att lösastillfredsställande.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:his-4952 |
| Date | January 2011 |
| Creators | Lång, Ivar |
| Publisher | Högskolan i Skövde, Institutionen för kommunikation och information |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0018 seconds