DevioLab CRYPTO TRADING AUTOMATION
LIVE
AUTOMATED CRYPTO TRADING • BINANCE
Автоматизуйте свій криптопортфель
Торгові боти DevioLab аналізують крипторинок, автоматично відкривають і закривають позиції та керують вашим портфелем на Binance 24/7.
CRYPTO 80 Bots
BINANCE Spot Trading
TRADING 24 / 7
Спробувати DevioLab
deviolab.com

лабораторна 1

Інформація про навчальний заклад

ВУЗ:
Національний університет Львівська політехніка
Інститут:
ІКТА
Факультет:
СІ
Кафедра:
Кафедра ЕОМ

Інформація про роботу

Рік:
2018
Тип роботи:
Звіт до лабораторної роботи
Предмет:
теорія інтелектуальних систем

Частина тексту файла (без зображень, графіків і формул):

Міністерство освіти і науки України Національний університет “Львівська політехніка” Кафедра ЕОМ Звіт до лабораторної роботи №1 з дисципліни: «Теорія інтелектуальних систем» на тему: «Моделювання взаємодії інтелектуального агента з середовищем (об'єктом управління). Дослідження моделі стаціонарного випадкового середовища» Мета: Набути навички планування та проведення обчислювальних експериментів, дослідити модель взаємодії інтелектуального агента з середовищем. Порядок виконання роботи 1. Реалізувати модель стаціонарного випадкового середовища E. 2. Реалізувати модель взаємодії інтелектуальної системи (агента) з середовищем на основі обраної згідно варіанту моделі оптимальної поведінки (цільової функції) агента та кількості доступних йому дій. Алгоритм А. Ініціалізувати середовище (випадкова ініціалізація) Цикл від 1 до T (індекс t) Отримати код дії, яку обрав агент Отримати відгук середовища на цю дію (біжучий виграш) Модифікувати значення цільової функції Запам’ятати отримане значення в масиві результатів Перейти на п.2.1. 3. Реалізувати алгоритм роботи 1) "випадкового" агента (агента з рівновипадковим вибором дій); 2) "ідеального" агента (агента, який володіє повною інформацією про характеристики середовища). 4. Реалізувати програму обчислювального експерименту по дослідженню моделі взаємодії агента з середовищем. Алгоритм B. Відкрити файл для збереження результатів. Цикл від 1 до n (індекс i) -> цикл по репліках експерименту Виконати алгоритм А. Перейти на п.2.1. Розрахувати середні значення цільової функції для випадкового та розробленого агентів -> цикл по результатах реплік Розрахувати середньоквадратичне відхилення (дисперсію) значень цільової функції для випадкового та розробленого агентів -> цикл по результатах реплік Зберегти отримані результати у файлі. 5. Провести обчислювальний експеримент 1) по дослідженню взаємодії "випадкового" агента з середовищем E; 2) по дослідженню взаємодії "ідеального" агента з середовищем E. 6. Порівняти отримані залежності та зробити висновки. Варіант W2 -> Середній виграш N Модель оптимальної поведінки Кількість доступних агенту дій  6 W2 4   Текст програми обчислювального експерименту void saveParameters(void) { int i, j; if ((par_file = fopen(par_file_name, "w")) == NULL) { fprintf(stderr, "Cannot open file <%s> for parameters of experiment.\n", par_file_name); } fprintf(par_file, "T = %d\n", T); fprintf(par_file, "n = %d\n", n); fprintf(par_file, "env = %d\n", env); fprintf(par_file, "nA = %d\n", nA); if (env) fprintf(par_file, "nS = %d\n", nS); fprintf(par_file, "====================\n"); switch (env) { case 0: // se (stationary environment) for (i = 0; i < nA; i++) fprintf(par_file, "p(a%d) = %f\n", i, sePa[i]); break; case 1: // ce (commutative environment) // probabilities of rewards for (i = 0; i < nS; i++) { for (j = 0; j < nA; j++) fprintf(par_file, "p(s%d,a%d) = %f\n", i, j, cePa[i][j]); if (i < nS - 1) fprintf(par_file, "--------------------\n"); } fprintf(par_file, "\n====================\n"); // probabilities of state transition for (i = 0; i < nS; i++) { for (j = 0; j < nS; j++) fprintf(par_file, "p(s%d,s%d) = %f\n", i, j, cePs[i][j]); fprintf(par_file, "--------------------\n"); } break; default: printf("lab1 error: wrong env model code specified\n"); } fclose(par_file); } // ---------------------------------------------------------------------------- // save results of random agent void saveResultsRA(void) { int i; if ((RA_res_file = fopen(RA_res_file_name, "w")) == NULL) fprintf(stderr, "Cannot open file <%s> for experimental results.\n", RA_res_file_name); for (i = 0; i < T; i++) fprintf(RA_res_file, "%f \t %f\n", avrRm[i], avrRv[i]); fclose(RA_res_file); } // ---------------------------------------------------------------------------- // save results of perfect agent void saveResultsPA(void) { int i; if ((PA_res_file = fopen(PA_res_file_name, "w")) == NULL) fprintf(stderr, "Cannot open file <%s> for experimental results.\n", PA_res_file_name); for (i = 0; i < T; i++) fprintf(PA_res_file, "%f \t %f\n", avrRm[i], avrRv[i]); fclose(PA_res_file); } Графічні залежності отриманих результатів / / Результати обчислення ймовірностей: p(a0) = 0.224921 p(a1) = 0.287606 p(a2) = 0.682150 p(a3) = 0.822687 Висновок: на цій лабораторній роботі було набуто навички планування та проведення обчислювальних експериментів, досліджено модель взаємодії інтелектуального агента з середовищем.
Антиботан аватар за замовчуванням

02.05.2018 21:34

Коментарі

Ви не можете залишити коментар. Для цього, будь ласка, увійдіть або зареєструйтесь.

Ділись своїми роботами та отримуй миттєві бонуси!

Нічого не вибрано
0%

Оголошення від адміністратора

Антиботан аватар за замовчуванням

Подякувати Студентському архіву довільною сумою

Admin

26.02.2023 12:38

Дякуємо, що користуєтесь нашим архівом!