状態価値に基づいた温度パラメータの調整手法

摘要

本研究では，強化学習において行動選択のランダム性を制御する温度パラメータの自律調整手法を提案する．温度パラメータの制御には，状態価値の推定値と直近の訪問状態で観測された状態価値の割合を用いた．提案手法をMountain Carタスクに適用することで，提案手法の妥当性の検証を行った．また，同タスク内にて環境変化を与えた．検証の結果，提案手法を適用したエージェントは，環境変化に対して高い適応性を示した．