Koordynacja wielu podmiotów: A Reinforcement Learning Approach

Oryginalny tytuł:

Multi-Agent Coordination: A Reinforcement Learning Approach

Zawartość książki:

Odkryj najnowsze osiągnięcia w technikach koordynacji wielu robotów dzięki temu wnikliwemu i oryginalnemu zasobowi.

Multi-Agent Coordination: A Reinforcement Learning Approach dostarcza kompleksowego, wnikliwego i unikalnego podejścia do rozwoju algorytmów koordynacji wielu robotów przy minimalnym obciążeniu obliczeniowym i zmniejszonych wymaganiach dotyczących przechowywania w porównaniu z tradycyjnymi algorytmami. Wybitni naukowcy, inżynierowie i autorzy zapewniają czytelnikom zarówno wprowadzenie na wysokim poziomie i przegląd koordynacji wielu robotów, jak i dogłębne analizy algorytmów planowania opartych na uczeniu się.

Dowiesz się, jak przyspieszyć eksplorację celu zespołu i alternatywnych podejść do przyspieszenia konwergencji TMAQL poprzez identyfikację preferowanego wspólnego działania dla zespołu. Autorzy proponują również nowatorskie podejście do konsensusowego uczenia Q, które odnosi się do problemu wyboru równowagi i nowego sposobu oceny wartości progowej dla łączenia imperiów bez nakładania znaczącego narzutu obliczeniowego. Wreszcie, książka kończy się analizą prawdopodobnego kierunku przyszłych badań w tej szybko rozwijającej się dziedzinie.

Czytelnicy odkryją najnowocześniejsze techniki koordynacji wieloagentowej, w tym

⬤ Wprowadzenie do koordynacji wieloagentowej poprzez uczenie ze wzmocnieniem i algorytmy ewolucyjne, w tym tematy takie jak równowaga Nasha i równowaga skorelowana.

⬤ Poprawa szybkości zbieżności wieloagentowego uczenia Q dla kooperatywnego planowania zadań.

⬤ Konsensus w uczeniu Q dla wieloagentowego planowania kooperacyjnego.

⬤ Efektywne obliczanie skorelowanej równowagi dla wieloagentowego planowania opartego na q-learningu.

⬤ Zmodyfikowany imperialistyczny algorytm konkurencyjny dla wieloagentowych aplikacji do przenoszenia kijów.

Idealny dla naukowców, inżynierów i profesjonalistów, którzy regularnie pracują z algorytmami uczenia się wielu agentów, Multi-Agent Coordination: A Reinforcement Learning Approach powinna również znaleźć się na półce każdego, kto interesuje się uczeniem maszynowym i sztuczną inteligencją w odniesieniu do robotyki kooperacyjnej lub konkurencyjnej.