fa کنترل جمعیت سلول‌های سرطانی در مدل غیرخطی سرطان ملانوما با لحاظ عدم قطعیت با استفاده از الگوریتم یادگیری Q تحت سیاست استدلال مبتنی بر مورد(CBR) کنترل Control پژوهشي Research <div style="text-align: justify;"><strong>سرطان پوست یکی از خطرناک‌ترین سرطان‌هایی است که همه ساله افراد زیادی به آن مبتلا می‌شوند. به همین دلیل تشخیص و درمان سریع این سرطان بسیار برای پزشکان حایز اهمیت می‌باشد، در چند دهه اخیر برای بهبود تشخیص و درمان این بیماری استفاده از روش‌های هوشمند بسیار مورد توجه</strong> <strong>قرار گرفته است. هدف اصلی در این مقاله، تعیین مقدار بهینه دارو برای از بین‌بردن سلول‌های سرطانی می‌باشد به گونه‌ای که از تاثیر سوء دارو بر روی سلول‌های سالم جلوگیری شود. از الگوریتم یادگیری </strong><span dir="LTR">Q</span><strong>&nbsp; بدین منظور استفاده شده است. برای انتخاب اعمال، از سیاست استدلال مبتنی بر مورد با نام اختصاری</strong> <span dir="LTR">CBR</span><strong>که یک نوع سیاست اکتشافی شتاب داده شده می‌باشد، استفاده گشته است که باعث افزایش سرعت یادگیری و کاهش زمان،&nbsp; برای رسیدن به سیاست بهینه می‌شود. مورد دیگری که در این مقاله لحاظ شده است، تاثیر نیمه عمر دارو برای بدست‌آوردن اثر دارو در هر لحظه در بدن بیمار می‌باشد. </strong><strong>برای اینکه&nbsp; عملکرد روش یادگیری تقویتی در کنترل سلول‌های سرطانی و تعیین میزان بهینه دوز دارو&nbsp; بهتر نشان داده شود، این روش با&nbsp; یکی از روش‌های کنترل بهینه به نام روش همیلتونین و روش تزریق دوز داروی ثابت مقایسه شده است. </strong><strong>در نهایت نشان داده شده است مجموع دوز داروی تزریقی به بیمار با استفاده از روش یادگیری تقویتی در مقایسه با حالتی که از روش کنترل بهینه و دوز داروی ثابت برای تمام زمان‌ها استفاده شده است، بسیار کاهش پیدا کرده است و در ضمن جمعیت سلول</strong><strong>‌های سرطانی نیز کنترل شده است</strong><span dir="LTR">.</span><strong> با اعمال نویز و عدم قطعیت در پارامترهای سیستم و شرایط اولیه باز هم روش انتخابی قادر به کنترل سلول‌های سرطانی می‌باشد.</strong></div> <div style="text-align: justify;"><strong>Melanoma is one of the most dangerous types of cancers and every year, many people suffer from this cancer<span dir="RTL">.</span> Hence, quick diagnosis and treatment are significantly important for the physicians. In the recent decade, intelligent methods have attracted considerable attention for diagnosing and treating the melanoma<span dir="RTL">.</span> The main objective of this paper is determining the optimal dosage of the drug for the elimination of the cancer cells while preventing from the side effect of the drug on the normal cells<span dir="RTL">.</span> To this aim, the Q-learning algorithm is employed<span dir="RTL">.</span> In order to select the actions, a Case-Based Reasoning (CBR) policy is used, which is an accelerated heuristic policy. The considered policy has increased the learning speed and reduced the overall time, to reach the optimal policy<span dir="RTL">.</span> The half-life effect of the drug is also considered to obtain the side effect of the drug on the patient&#39;s body, at each time step.&nbsp;In order to demonstrate Q-learning algorithm performance in cancer cells control and optimal dosage determination purposes, Q-learning is compared with two methods, including fix dosage injection method and Hamiltonian method, which is one of the most important optimal control methods. Finally, it is revealed that the total injected dosage by using Reinforcement Learning method (Q-learning) is significantly reduced within the whole period of time in comparison with employing the optimal control and a fixed dosage injection cases. The number of cancer cells is controlled, as well. It should be noted that by applying the noise and uncertainty to the system parameters and the initial conditions, the proposed method can successfully control the cancer cells<span dir="RTL">.</span></strong></div> سرطان ملانوما, الگوریتم یادگیری Q, سیاست استدلال مبتی بر مورد, اثرات سوء دارو, نیمه عمر دارو, کنترل بهینه melanoma cancer, Q-learning algorithm, case based reasoning, side effect of the drug, half-life of drug, optimal control. 25 37 http://jiaeee.com/browse.php?a_code=A-10-943-1&slc_lang=fa&sid=1 Amin Noori امین نوری Amin_noori@ieee.org 10031947532846006561 10031947532846006561 Yes Shahrood University of Technology, Shahrood, Iran, دانشکده مهندسی برق و رباتیک دانشگاه صنعتی شاهرود- شاهرود- ایران Elnaz Kalhor الناز کلهر E.kalhor123@sadjad.ac.ir 10031947532846006562 10031947532846006562 No Sadjad University of Technology دانشکده مهندسی برق- دانشگاه صنعتی سجاد Mohammad ali sadrnia محمد علی صدرنیا masadrnia@shahroodut.ac.ir 10031947532846006563 10031947532846006563 No Shahrood University of Technology, Shahrood, Iran, دانشکده مهندسی برق و رباتیک دانشگاه صنعتی شاهرود- شاهرود- ایران Sara Saboori Rad سارا صبوری راد Sabourirads@mums.ac.ir 10031947532846006564 10031947532846006564 No 3Faculty of Medicine, Mashhad University of Medical Sciences دانشکده پوست- دانشگاه علوم پزشکی مشهد