এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
প্যারেটো সর্বোত্তম
একটি বহু-উদ্দেশ্য প্রসঙ্গে সর্বোত্তম সমাধান যা কমপক্ষে একটি অন্যান্য উদ্দেশ্যে কর্মক্ষমতা হ্রাস না করে কোনো উদ্দেশ্যে উন্নত করা যায় না।
বহু-উদ্দেশ্য শক্তিবৃদ্ধি শিক্ষণ
শক্তিবৃদ্ধি শিক্ষণের একটি সম্প্রসারণ যেখানে এজেন্ট ভেক্টর পুরস্কার ফাংশন সহ প্রায়ই দ্বন্দ্বপূর্ণ একাধিক উদ্দেশ্য একই সাথে সর্বোচ্চকরণ করে।
ভেক্টর পুরস্কার ফাংশন
একটি স্কেলার মানের পরিবর্তে পুরস্কারের একটি ভেক্টর ফেরত দেয় এমন ফাংশন, যা একই সাথে একাধিক কর্মক্ষমতা মানদণ্ড বিবেচনা করতে সক্ষম করে।
উদ্দেশ্য ওজন নির্ধারণ
স্কেলারকরণের একটি কৌশল যেখানে প্রতিটি উদ্দেশ্যকে একটি ওজন দেওয়া হয় একক স্কেলার মান অপ্টিমাইজ করার জন্য একাধিক পুরস্কার একত্রিত করতে।
রৈখিক স্কেলারকরণ
বিভিন্ন প্যারেটো-সর্বোত্তম সমাধান তৈরি করার জন্য ওজনযুক্ত উদ্দেশ্যগুলির রৈখিক সংমিশ্রণের মাধ্যমে একটি বহু-উদ্দেশ্য সমস্যাকে স্কেলার সমস্যায় রূপান্তর করার পদ্ধতি।
প্যারেটো এলিটবাদ
বিবর্তনমূলক অ্যালগরিদমে প্যারেটো ফ্রন্টের দিকে অভিসরণ নিশ্চিত করতে প্রজন্মের মধ্যে অ-প্রভাবিত সমাধানগুলি সংরক্ষণের কৌশল।
প্রত্যাশিত ভেক্টর রিটার্ন
শক্তিবৃদ্ধি শিক্ষণে প্রত্যাশিত রিটার্নের সাধারণীকরণ, প্রতিটি নীতির জন্য ভবিষ্যত ক্রমপুঞ্জিত পুরস্কার ভেক্টরের প্রত্যাশা গণনা করে।
প্যারেটো-সর্বোত্তম নীতি
একটি কর্ম নীতি যার ভেক্টর রিটার্ন প্যারেটো ফ্রন্টের অন্তর্গত, বিভিন্ন উদ্দেশ্যগুলির মধ্যে একটি সর্বোত্তম সমঝোতা উপস্থাপন করে।
কনভার্জেন্স প্যারেটো
একটি অ্যালগরিদমের বৈশিষ্ট্য যা নিশ্চিত করে যে উৎপন্ন সমাধানগুলি সমস্যার প্রকৃত প্যারেটো ফ্রন্টের দিকে অ্যাসিম্পটোটিকভাবে প্রবণতা দেখায়।
চেবিশেভ অ্যাগ্রিগেশন
উদ্দেশ্যগুলি একত্রিত করতে চেবিশেভ নর্ম ব্যবহার করে স্কেলারাইজেশন পদ্ধতি, যা উত্তল এবং অ-উত্তল উভয় প্যারেটো-অপটিমাল সমাধান তৈরি করতে সক্ষম।