Lernalgorithmen für kooperative Multi-Agenten Systeme

在虚拟系统中发现的Entscheidungsfindung使每个人都能单独处理数据，而这是一个共同的风险。因此，我们必须将最佳的自我评估方法引入到这一领域。在“多钢筋混凝土梁”韦尔登施工中，自动化施工的协同作业策略完全来自于系统的特殊化。在机器人技术中，资源管理、调度、网络路由等方面都有重要的作用。In der Literatur aufgeführte Problemlösungen weisen exemplary ch die Leistungsfähigkeit lernender Systeme gegenüber nicht-adaptiven Verfahren auch bei praxisnahen Aufgabenstellungen nach.工人们对自然的体验是最大的，他们会在一次失败的学习算法中发现梅尔或更大的错误。显然，在全球范围内，Gültigkeit noch Optimalität der gefundenen wewährleistet韦尔登。

Die Entscheidungsfindung in verteilten Systemen erfordert die gezielte Zusammenarbeit individuell handelnder Agenten, um ein vorgegebenes gemeinsames Ziel zu erreichen. Dazu müssen die Strategien der einzelnen Agenten optimal aufeinander abgestimmt sein. Unter dem Begriff 'Multi-Agenten Reinforcement Lernen' werden Verfahren zusammengefasst, die die automatische Akquisition kooperativer Entscheidungsstrategien allein aus der Spezifikation des gewünschten Gesamtverhaltens des Systems ermöglichen. Anwendungsbeispiele verteilter Agenten sind im Ressourcenmanagement, Scheduling, Netzwerk-Routing oder in der Robotik zu finden. In der Literatur aufgeführte Problemlösungen weisen exemplarisch die Leistungsfähigkeit lernender Systeme gegenüber nicht-adaptiven Verfahren auch bei praxisnahen Aufgabenstellungen nach. Die vorgestellten Arbeiten sind zumeist empirischer Natur und entspringen einer mehr oder weniger direkten Übertragung der Lernalgorithmen für den Ein-Agenten Fall. Obwohl dabei im Allgemeinen weder Gültigkeit noch Optimalität der gefundenen Strategien gewährleistet werden.