Deep Q Learning mit Künstlichen Neuronalen Netzen für Markov-Entscheidungsspiele

Abstract

Im Fokus dieser Thesis steht die Frage inwieweit Künstliche Neuronale Netze ohne Verwendung von Domänenwissen Probleme lösen können. Dazu wird eine Architektur eines Modells, basierend auf Deep Learning mit künstlichen Neuronalen Netzen, zur Lösung des Spiels CartPole aufgestellt und implementiert. Zur Verbesserung der Modellqualität wird das Lernverfahren um Double Q Learning und Memory Replay erweitert. Durch das Erreichen eines Referenzwerts wird gezeigt, dass für die gewählte Problemdomäne eine konkurrenzfähige Lösung erreicht werden konnte und das Modell selbstständig in der Lage ist eine adäquate Strategie zu entwickeln.

This thesis focuses on the question to what extent Artificial Neural Nets are capable of solving problems without the use of specific domain knowledge. For that an architecture of a model to solve the CartPole game, based on deep learning with Artificial Neural Nets, is designed and implemented. To improve the quality of the built model the learning process is extended by Double Q Learning and Memory Replay. Through reaching a defined reference value it is shown, that it was possible to build a competitive solution for the chosen domain and the model was independently able to learn an adequate strategy.