TABLE OF CONTENTS PageABSTRACT (THA

TABLE OF CONTENTS
Page
ABSTRACT (THAI)
ABSTRACT (ENGLISH)
ACKNOWLEDGEMENTS
TABLE OF CONTENTS
LIST OF FIGURES
SYMBOLS AND ABBREVIATIONS
CHAPTER
I INTRODUCTION 1
1.1 Significance of the Problem 1
1.2 Research Objective 5
1.3 Assumptions 6
1.4 Scope 6
1.5 Expected Usefulness 7
1.6 Synopsis of Thesis 7
BACKGROUND THEORY 9
2.1 Markov Processes 9
2.1.1 Discrete-Time Markov Chain 10
2.1.2 Markov Decision Process 11
2.2 Reinforcement Learning 12


2.2.1 Monte Carlo Method 14
2.2.2 Monte Carlo Estimation of Action Values 15
2.2.3 Monte Carlo Control 16
2.3 On-Policy Monte Carlo Method 17
SECURE ROUTING IN MANETS : A REINFORCEMENT
LEARNING PROBLEM 20
3.1 Introduction 20
3.2 Reputation Method 22
3.3 Reputation as a Reinforcement Learning Problem 25
3.4 Problem Formulation 27
3.5 Experimental Results 28
3.5.1 Accumulated Reward per Episode 30
3.5.2 Number of Packets Arrived at the Destination 31
3.5.3 Relative Throughput 32
3.5.4 Effect of Varying the Maximum Allowed Packets 33
3.6 Conclusions 34

ผลลัพธ์ (ไทย) 1:

สารบัญ หน้าบทคัดย่อ (ไทย) บทคัดย่อ (ภาษาอังกฤษ) ถาม-ตอบ สารบัญ รายการตัวเลข สัญลักษณ์และคำย่อ บทผมแนะนำ 11.1 ความสำคัญของปัญหา 11.2 วัตถุประสงค์การวิจัย 51.3 สมมติฐาน 61.4 ขอบเขต 61.5 ประโยชน์ที่คาดว่า 71.6 ข้อสรุปของวิทยานิพนธ์ 7 ทฤษฎี 92.1 กระบวนการ Markov 92.1.1 แยกกันเวลา Markov โซ่ 102.1.2 กระบวนการตัดสินใจของ Markov 112.2 เสริมสร้างการเรียนรู้ 122.2.1 มอน Carlo วิธี 14 2.2.2 มอน Carlo ประเมินค่าดำเนินการ 15 2.2.3 มอน Carlo ควบคุม 16 2.3 ในนโยบาย Monte Carlo วิธี 17 ทางสายใน MANETS: การเสริมสร้าง เรียนรู้ปัญหา 20 3.1 แนะนำ 20 3.2 ชื่อเสียงวิธี 22 3.3 ชื่อเสียงเป็นการเสริมสร้างการเรียนรู้ปัญหา 253.4 ปัญหากำหนด 27 3.5 ผลการทดลอง 28 3.5.1 รางวัลสะสมต่อตอน 30 3.5.2 ภาพจำนวนแพคเก็ตถึงปลาย 31 3.5.3 สัมพัทธ์สูง 32 3.5.4 ผลของแพคเก็ตอนุญาตสูงสุด 33 ที่แตกต่างกันไป 3.6 บทสรุป 34

ผลลัพธ์ (ไทย) 2:

สารบัญ
หน้า
บทคัดย่อ (ไทย)
บทคัดย่อ (ภาษาอังกฤษ)
คำขอบคุณ
สารบัญ
รายการของตัวเลข
สัญลักษณ์และตัวย่อที่
หมวด
ผมบทนำ 1
1.1 ความสำคัญของปัญหา 1
1.2 การวิจัยวัตถุประสงค์ 5
1.3 สมมติฐาน 6
1.4 ขอบเขต 6
1.5 คาดว่าจะได้ประโยชน์ 7
1.6 บทสรุปของวิทยานิพนธ์ 7
ความเป็นมาทฤษฎี 9
2.1 กระบวนการมาร์คอฟ 9
2.1.1 แบบไม่ต่อเนื่องเวลามาร์คอฟเชน 10
2.1.2 กระบวนการตัดสินใจมาร์คอฟ 11
2.2 เสริมสร้างการเรียนรู้ 12 2.2.1 วิธี Monte Carlo 14 2.2.2 Monte Carlo การประมาณค่าดำเนินการ 15 2.2.3 Monte Carlo ควบคุม 16 2.3 On-นโยบาย Monte Carlo 17 วิธีการนำความปลอดภัยใน Manets: แผ่นเสริมความแข็งแรงการเรียนรู้ปัญหา 20 3.1 บทนำ 20 3.2 ชื่อเสียงวิธี 22 3.3 ชื่อเสียงเป็นปัญหาเสริมสร้างการเรียนรู้ 25 3.4 ปัญหาการผสมสูตร 27 3.5 ผลการทดลอง 28 3.5.1 รางวัลสะสมต่อตอน 30 3.5.2 จำนวนแพ็คเก็ตมาถึงที่ปลายทาง 31 3.5.3 ญาติใช้กำลังการกลั่น 32 3.5.4 ผลกระทบของการเปลี่ยนแปลงสูงสุดที่อนุญาตแพ็คเก็ต 33 3.6 สรุปผลการวิจัย 34

ผลลัพธ์ (ไทย) 3:

สารบัญ หน้าบทคัดย่อ ( ภาษาไทย )




กิตติกรรมประกาศบทคัดย่อ ( ภาษาอังกฤษ ) ของตารางเนื้อหาของรายการของตัวเลข

สัญลักษณ์และคำย่อ

ผมแนะนำบทที่ 1
1.1 ความสำคัญของปัญหาวิจัย วัตถุประสงค์ 5
1
1.2 1.3 1.4 สมมติฐานที่ 6
6
1.5 ขอบเขตคาดว่าประโยชน์
7 ของ 1.6 เรื่องย่อ วิทยานิพนธ์ทฤษฎี 9

7 พื้นหลังสำหรับกระบวนการมาร์คอฟ 9
ตัวไม่ต่อเนื่องเวลา Markov 10
2.1 .กระบวนการการตัดสินใจ 2 แบบ 11
2.2 การเสริมแรงการเรียนรู้ 12


2.2.1 วิธีมอนติคาร์โล 14
2.2.2 มอนติคาร์โลกระทำค่าประมาณ 15
2.2.3 Monte Carlo ควบคุม 16
2.3 นโยบายวิธีมอนติคาร์โล 17
กลายเป็นเส้นทางใน manets : เสริม

แนะนำวิธี 3.1 ปัญหาการเรียน 20 22
3.3 ชื่อเสียงเป็นการเสริมแรง ปัญหาการเรียน 25
3
3.2 20 ชื่อเสียง4 การตั้งปัญหา 27

: 28 3.5 ผลสะสมต่อตอน 30
3.5.2 จำนวนแพ็กเก็ตมาถึงปลายทาง 31

3.5.4 3.5.3 ญาติ throughput 32 ผลของการเปลี่ยนแปลงสูงสุดที่อนุญาตแพ็คเก็ต 33 34

3.6 สรุป