Lernalgorithmen für kooperative Multi-Agenten Systeme

点击翻译按钮获取中文摘要

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.