Lernalgorithmen für kooperative Multi-Agenten Systeme

Die entscheidungsfinung in verilten Systemen fordert Die gezielte Zusammenarbeit individuell handelder Agenten, um in vorgegebenes gemeinsames Ziel zerreichen。[3]大马<s:1> ssen [j] .战略与决策优化。在dem Begriff ' multi - agent Reinforcement leren ' werden Verfahren zusammengefast下，die die automatische akquqution kooperativer Entscheidungsstrategien allein aus der Spezifikation des gewnschten Gesamtverhaltens des Systems ermöglichen。机器人资源管理、调度、网络路由排序研究[j]。在der literature中，aufgef<s:1> hrte Problemlösungen weisen exemplarisch die Leistungsfähigkeit lerender Systeme gegen<e:1>她的夜间适应性Verfahren auch bei praxisnahen Aufgabenstellungen nach。在自然和自然经验的基础上，在自然经验的基础上，在自然经验的基础上，在自然经验的基础上，在自然经验的基础上，在自然经验的基础上，在自然经验的基础上，在自然经验的基础上，在自然经验的基础上，在自然经验的基础上，在自然经验的基础上。Obwohl dabei im Allgemeinen weder gg<s:1> ltigkeit noch Optimalität der gefundenen Strategien gewährleistet werden。

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.