Multi-Agent Coordination: A Reinforcement Learning Approach
Objavte najnovší vývoj v technikách koordinácie viacerých robotov s týmto originálnym zdrojom
Multi-Agent Coordination: V porovnaní s tradičnými algoritmami prináša komplexné, prehľadné a jedinečné spracovanie vývoja algoritmov koordinácie viacerých robotov s minimálnou výpočtovou záťažou a zníženými nárokmi na úložisko. Uznávaní vedci, inžinieri a autori poskytujú čitateľom úvod na vysokej úrovni a prehľad koordinácie viacerých robotov, ako aj hĺbkové analýzy plánovacích algoritmov založených na učení.
Dozviete sa, ako urýchliť skúmanie cieľa tímu a alternatívne prístupy k urýchleniu konvergencie TMAQL určením preferovanej spoločnej akcie pre tím. Autori tiež navrhujú nové prístupy ku konsenzuálnemu Q-learningu, ktoré riešia problém výberu rovnováhy, a nový spôsob vyhodnocovania prahovej hodnoty pre zjednotenie impérií bez výraznej výpočtovej réžie. V závere knihy sa skúma pravdepodobné smerovanie budúceho výskumu v tejto rýchlo sa rozvíjajúcej oblasti.
Čitatelia sa dozvedia o najmodernejších technikách koordinácie viacerých agentov vrátane.
⬤ Uvod do koordinácie viacerých agentov pomocou posilňovania učenia a evolučných algoritmov, vrátane tém ako Nashova rovnováha a korelovaná rovnováha.
⬤ Zvýšenie rýchlosti konvergencie Q-učenia viacerých agentov pre kooperatívne plánovanie úloh.
⬤ Súhlasné Q-učenie pre kooperatívne plánovanie viacerých agentov.
⬤ Efektívny výpočet korelovanej rovnováhy pre kooperatívne plánovanie založené na q-learningu pre viacero agentov.
⬤ Modifikovaný imperialistický konkurenčný algoritmus pre aplikácie s nosením palice viacerými agentmi.
Kniha Multi-Agent Coordination je ideálna pre akademikov, inžinierov a odborníkov, ktorí pravidelne pracujú s algoritmami učenia viacerých agentov: A Reinforcement Learning Approach patrí na knižné pulty všetkých, ktorí sa zaujímajú o strojové učenie a umelú inteligenciu v oblasti kooperatívnej alebo súťaživej robotiky.