Lernalgorithmen für kooperative Multi-Agenten Systeme

协作多智能体系统的学习算法

• 批准号: 5446214
• 负责人: Professor Dr. Martin Riedmiller
• 金额: --
• 依托单位: DeepMind
• 依托单位国家: 德国
• 项目类别: Research Grants
• 财政年份: 2005
• 资助国家: 德国
• 起止时间: 2004-12-31 至 2009-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/5446214?language=en
• 关键词: Lernalgorithmen; kooperative; Multi; Agenten; Systeme

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.

从系统中找出自己的用法，然后再给自己找一个合适的解决方案。Dazu müssen de Einzelnen Agenten最佳选择策略。在DEM Begriff‘多药剂强化Lernen’是Verfahren zusammengefasst，模具自动生成企业战略在Aus de Spezifikation des gewünschten Gesamtverhalten des Systems ermöglichen。Agenten Sind in Ressourcen.管理、调度、网络-在Robotik zu finden中路由订单。在Der Docatur aufgeführte Problemlösungen Weisen Explemarisch die Leistungsfähigkeit Lernner Systeme Gegenüber Nht-Adaptitiven Verfahren Auch be Praxisnahen Aufgabenstellungen nach.这是一种经验主义的自然和精神体验，是一种自然和自然的体验，也是一种新的、更好的体验。从战略上看，这是一种最优的战略选择。