এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
লিনিয়ার ওয়েটিং
স্কেলারাইজেশন পদ্ধতি যেখানে উদ্দেশ্যগুলি একটি ওয়েটেড যোগফলের মাধ্যমে সংযুক্ত করা হয়, ওয়েটগুলি সিদ্ধান্ত গ্রহণকারীর পছন্দ অনুযায়ী প্রতিটি উদ্দেশ্যের আপেক্ষিক গুরুত্ব উপস্থাপন করে।
মাল্টি-অবজেক্টিভ কিউ-লার্নিং
ঐতিহ্যগত কিউ-লার্নিং-এর সম্প্রসারণ যেখানে প্রতিটি ক্রিয়ার একটি স্কেলার মানের পরিবর্তে কিউ-মানগুলির একটি ভেক্টর থাকে, যার জন্য ট্রেড-অফগুলির জন্য নির্দিষ্ট অ্যাকশন নির্বাচন মানদণ্ডের প্রয়োজন হয়।
নন-ডমিনেটেড পলিসি
পলিসি স্পেসে অ্যাকশন কৌশল যার পারফরম্যান্স সমস্ত উদ্দেশ্যে একই সাথে অন্য কোন পলিসি দ্বারা অতিক্রম করা হয় না, প্যারেটো অর্থে সর্বোত্তমতা নিশ্চিত করে।
স্কেলারাইজেশন হাইপারপ্লেন
একটি স্কেলার মাত্রায় সমাধানগুলি প্রজেক্ট করার জন্য উদ্দেশ্য স্পেসে একটি হাইপারপ্লেন ব্যবহার করে এমন কৌশল, পূর্বনির্ধারিত দিকনির্দেশ অনুযায়ী ট্রেড-অফগুলির কাঠামোগত অন্বেষণ সক্ষম করে।
চেবিশেফ স্কেলারাইজেশন
একটি রেফারেন্স পয়েন্টে ওয়েটেড চেবিশেফ দূরত্বের উপর ভিত্তি করে স্কেলারাইজেশন পদ্ধতি, যা নন-কনভেক্স সমস্যার জন্যও প্যারেটো-অপটিমাল সমাধান পাওয়া নিশ্চিত করে।
মাল্টি-অবজেক্টিভ রিওয়ার্ড শেপিং
ভেক্টর রিওয়ার্ড ফাংশন পরিবর্তন করার কৌশল যা চূড়ান্ত মাল্টি-অবজেক্টিভ পলিসিগুলির সর্বোত্তমতা সংরক্ষণ করার সময় শেখার গতি বাড়ায়।
ডাইনামিক ট্রেড-অফ
পরিবেশের বিবর্তন অনুযায়ী ট্রেড-অফ স্পেসের নমনীয় অন্বেষণ সক্ষম করে, শেখার সময় উদ্দেশ্যগুলির মধ্যে ওয়েট বা পছন্দগুলি অভিযোজিত করার পদ্ধতি।
এ প্রায়রি প্রেফারেন্সেস
অপ্টিমাইজেশন প্রক্রিয়ার আগে সিদ্ধান্ত গ্রহণকারীর পছন্দগুলি নির্দিষ্ট করা হয় এমন পদ্ধতি, যা নির্দিষ্ট প্যারেটো ফ্রন্ট অঞ্চলের দিকে অনুসন্ধানকে নির্দেশনা দেয়।
পোস্টেরিয়রি পছন্দসমূহ
প্রথমে সম্পূর্ণ প্যারেটো-অপটিমাল সমাধান সেট তৈরি করে, তারপর সিদ্ধান্তগ্রহণকারীকে দৃশ্যায়ন ও বিশ্লেষণের পরে পছন্দসই সমাধান নির্বাচন করতে দেয় এমন কৌশল।
রেফারেন্স পদ্ধতি
লক্ষ্য স্থানে একটি রেফারেন্স পয়েন্ট ব্যবহার করে এমন কৌশল যা কাঙ্ক্ষিত কর্মক্ষমতা স্তর অর্জনকারী বা অতিক্রমকারী সমাধানের দিকে অনুসন্ধানকে নির্দেশনা দেয়।
ইউটোপিয়া ভেক্টর
লক্ষ্য স্থানে একটি তাত্ত্বিক বিন্দু যা প্রতিটি লক্ষ্যকে পৃথকভাবে একই সাথে অপ্টিমাইজ করে, স্কেলারাইজেশন পদ্ধতিতে আপস মূল্যায়নের জন্য রেফারেন্স হিসেবে ব্যবহৃত হয়।
চেবিশেভ দূরত্ব
উপাদানগুলির মধ্যে পরম পার্থক্যের সর্বোচ্চ ব্যবহার করে এমন মেট্রিক, যা বহু-লক্ষ্য অপ্টিমাইজেশনে লক্ষ্য থেকে বিচ্যুতি পরিমাপের জন্য বিশেষভাবে উপযুক্ত।
অগমেন্টেড স্কেলারাইজেশন
লক্ষ্যে ন্যূনতম বিচ্যুতির উপর ভিত্তি করে একটি পেনাল্টি পদ যোগ করে রৈখিক ওজনকরণের সম্প্রসারণ, যা কঠোরভাবে প্যারেটো-অপটিমাল সমাধান নিশ্চিত করে।
এগ্রিগেশন ফাংশন
বহু লক্ষ্য মানকে একটি একক স্কেলার মানে একত্রিত করার গাণিতিক অপারেশন, যা বহু-লক্ষ্য স্থানে সমাধান মূল্যায়ন ও তুলনার জন্য মানদণ্ড হিসেবে কাজ করে।
আপস নীতি
সংজ্ঞায়িত পছন্দ অনুযায়ী পরস্পরবিরোধী লক্ষ্যগুলিকে স্পষ্টভাবে ভারসাম্যকারী কর্ম কৌশল, যা প্রায়শই অভিযোজিত ওজন বা গতিশীল সীমাবদ্ধতার মাধ্যমে বাস্তবায়িত হয়।
বহু-লক্ষ্য ন্যাশ ভারসাম্য
ন্যাশ ভারসাম্যকে বহু-লক্ষ্য প্রসঙ্গে সম্প্রসারিত ধারণা যেখানে প্রতিটি এজেন্ট পারস্পরিক ভারসাম্য সীমাবদ্ধতার অধীনে নিজস্ব লক্ষ্য ভেক্টর অপ্টিমাইজ করে।