Koordinace více agentů: A Reinforcement Learning Approach

Původní název:

Multi-Agent Coordination: A Reinforcement Learning Approach

Obsah knihy:

Objevte nejnovější vývoj v oblasti koordinačních technik pro více robotů díky tomuto originálnímu a pronikavému zdroji

Multi-Agent Coordination: V porovnání s tradičními algoritmy přináší komplexní, pronikavé a jedinečné pojednání o vývoji algoritmů koordinace více robotů s minimální výpočetní zátěží a sníženými nároky na úložiště. Zkušení akademici, inženýři a autoři poskytují čtenářům jak úvod a přehled koordinace více robotů na vysoké úrovni, tak i hloubkové analýzy plánovacích algoritmů založených na učení.

Dozvíte se, jak urychlit zkoumání cíle týmu a alternativní přístupy k urychlení konvergence TMAQL určením preferované společné akce pro tým. Autoři také navrhují nové přístupy ke konsenzuálnímu učení Q, které řeší problém výběru rovnováhy, a nový způsob vyhodnocování prahové hodnoty pro sjednocení říší bez výrazné výpočetní režie. V závěru knihy se věnují pravděpodobnému směru budoucího výzkumu v této rychle se rozvíjející oblasti.

Čtenáři se seznámí s nejmodernějšími technikami koordinace více agentů, včetně.

⬤ Úvod do koordinace více agentů pomocí posilovacího učení a evolučních algoritmů, včetně témat, jako je Nashova rovnováha a korelovaná rovnováha.

⬤ Zvýšení rychlosti konvergence multiagentního učení Q pro kooperativní plánování úloh.

⬤ Souhlasné učení Q pro kooperativní plánování více agentů.

⬤ Efektivní výpočet korelované rovnováhy pro kooperativní plánování založené na q-learningu pro více agentů.

⬤ Modifikovaný imperialistický kompetitivní algoritmus pro aplikace s více agenty s nosiči holí.

Kniha Multi-Agent Coordination je ideální pro akademiky, inženýry a odborníky, kteří pravidelně pracují s algoritmy učení více agentů: A Reinforcement Learning Approach patří na poličky knih také všem, kdo se zajímají o strojové učení a umělou inteligenci v oblasti kooperativní nebo kompetitivní robotiky.