Multi-Agent Coordination: A Reinforcement Learning Approach
Entdecken Sie die neuesten Entwicklungen im Bereich der Multi-Roboter-Koordinationsverfahren mit dieser aufschlussreichen und originellen Quelle
Multi-Agenten-Koordination: A Reinforcement Learning Approach bietet eine umfassende, aufschlussreiche und einzigartige Behandlung der Entwicklung von Multi-Roboter-Koordinationsalgorithmen mit minimalem Rechenaufwand und reduziertem Speicherbedarf im Vergleich zu traditionellen Algorithmen. Die erfahrenen Wissenschaftler, Ingenieure und Autoren bieten den Lesern sowohl eine Einführung in die Multi-Roboter-Koordination auf hohem Niveau und einen Überblick darüber als auch eine eingehende Analyse der lernbasierten Planungsalgorithmen.
Sie erfahren, wie die Erkundung des Teamziels beschleunigt werden kann und welche alternativen Ansätze es gibt, um die Konvergenz von TMAQL zu beschleunigen, indem die bevorzugte gemeinsame Aktion für das Team ermittelt wird. Die Autoren schlagen auch neuartige Ansätze für das Konsens-Q-Lernen vor, die das Problem der Gleichgewichtsauswahl angehen, sowie eine neue Methode zur Bewertung des Schwellenwerts für die Vereinigung von Imperien, ohne einen signifikanten Rechenaufwand zu verursachen. Schließlich schließt das Buch mit einer Untersuchung der wahrscheinlichen Richtung der zukünftigen Forschung in diesem sich schnell entwickelnden Bereich.
Die Leser werden modernste Techniken für die Multi-Agenten-Koordination entdecken, darunter:
⬤ Eine Einführung in die Multi-Agenten-Koordination durch Verstärkungslernen und evolutionäre Algorithmen, einschließlich Themen wie das Nash-Gleichgewicht und das korrelierte Gleichgewicht.
⬤ Verbesserung der Konvergenzgeschwindigkeit des Multi-Agenten-Q-Lernens für die kooperative Aufgabenplanung.
⬤ Konsensuales Q-Learning für kooperative Multi-Agenten-Planung.
⬤ Effiziente Berechnung des korrelierten Gleichgewichts für kooperative Q-Learning-basierte Multi-Agenten-Planung.
⬤ Ein modifizierter imperialistischer Wettbewerbsalgorithmus für Multi-Agenten-Stick-Carrying-Anwendungen.
Ideal für Akademiker, Ingenieure und Fachleute, die regelmäßig mit Multi-Agenten-Lernalgorithmen arbeiten, Multi-Agent Coordination: A Reinforcement Learning Approach" gehört auch in die Bücherregale aller, die sich für maschinelles Lernen und künstliche Intelligenz im Bereich der kooperativen oder kompetitiven Robotik interessieren.
| ISBN: | 9781119699033 |
| Autor: | |
| Verlag: | |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 320 |
Derzeit verfügbar, auf Lager.
