Posilované učení pro volbu trasy v rámci scénáře abstraktního provozu

Glaser, Leoš

dc.contributor.advisor	Beránek, Ladislav
dc.contributor.author	Glaser, Leoš
dc.date.accessioned	2026-01-06T11:37:39Z
dc.date.available	2026-01-06T11:37:39Z
dc.date.issued	2023
dc.date.submitted	2023-04-14
dc.identifier.uri	https://dspace.jcu.cz/handle/20.500.14390/47731
dc.description.abstract	Práce se zabývá přístupem posilovaného učení pro navrhování trasy agentovi ve zjednodušeném scénáři pohybu v dopravní síti. V teoretické části jsou představeny základy umělé inteligence, posilovaného učení a vybrané metody posilovaného učení. Dále je stručně zmíněna základní teorie týkající se simulace dopravy. V praktické části práce je vytvořena konzolová aplikace využívající vybrané metody posilovaného učení. Metody jsou použity pro návrh trasy svozu odpadu ve vybrané čtvrti Českých Budějovic a porovnány s metodou řešící tuto úlohu pomocí rojové inteligence. Výsledky návrhů posilovaným učením jsou podobné výsledkům získaným rojovou inteligencí, přičemž celkově nejúspěšnější metodou je Proximal Policy Optimization s detekcí validity akcí. V jednom případu je nalezeno optimální řešení.	cze
dc.format	75 s.
dc.format	75 s.
dc.language.iso	cze
dc.publisher	Jihočeská univerzita	cze
dc.rights	Bez omezení
dc.subject	posilované učení	cze
dc.subject	strojové učení	cze
dc.subject	umělá inteligence	cze
dc.subject	doprava	cze
dc.subject	návrh trasy	cze
dc.subject	reinforcement learning	eng
dc.subject	machine learning	eng
dc.subject	artificial intelligence	eng
dc.subject	traffic	eng
dc.subject	route design	eng
dc.title	Posilované učení pro volbu trasy v rámci scénáře abstraktního provozu	cze
dc.title.alternative	The use of reinforcement learning for route selection in an abstract traffic scenario	eng
dc.type	diplomová práce	cze
dc.identifier.stag	67633
dc.description.abstract-translated	The thesis deals with reinforcement learning approach for designing a route for an agent in a simplified scenario of movement in a transportation network. The theoretical part introduces the basics of artificial intelligence, reinforcement learning, and selected methods of reinforcement learning, both classical and modern. Additionally, the basic theory related to traffic simulation is briefly mentioned. In the practical part of the thesis, a console application utilizing selected reinforcement learning methods is developed. The methods are used to design a waste collection route in a selected district in České Budějovice and compared to a method solving this task using swarm intelligence. The results of the reinforcement learning-designed routes are similar to the results obtained by swarm intelligence, with Proximal Policy Optimization with action masking being the most successful method overall. In one case, an optimal solution is found.	eng
dc.date.accepted	2023-05-29
dc.description.department	Ekonomická fakulta	cze
dc.thesis.degree-discipline	Podniková informatika	cze
dc.thesis.degree-grantor	Jihočeská univerzita. Ekonomická fakulta	cze
dc.thesis.degree-name	Ing.
dc.thesis.degree-program	Aplikovaná informatika	cze
dc.description.grade	Dokončená práce s úspěšnou obhajobou	cze