Coordinación multiagente: Un enfoque de aprendizaje por refuerzo

Título original:

Multi-Agent Coordination: A Reinforcement Learning Approach

Contenido del libro:

Descubra los últimos avances en técnicas de coordinación multirobot con este recurso perspicaz y original.

Coordinación multiagente: A Reinforcement Learning Approach ofrece un tratamiento exhaustivo, perspicaz y único del desarrollo de algoritmos de coordinación multirobot con una carga computacional mínima y unos requisitos de almacenamiento reducidos en comparación con los algoritmos tradicionales. Los académicos, ingenieros y autores proporcionan a los lectores tanto una introducción de alto nivel y una visión general de la coordinación multirobot, como análisis en profundidad de los algoritmos de planificación basados en el aprendizaje.

Aprenderá a acelerar la exploración del objetivo del equipo y enfoques alternativos para acelerar la convergencia de TMAQL mediante la identificación de la acción conjunta preferida por el equipo. Los autores también proponen nuevos enfoques para el aprendizaje Q por consenso que abordan el problema de la selección del equilibrio y una nueva forma de evaluar el valor umbral para unir imperios sin imponer ninguna sobrecarga computacional significativa. Por último, el libro concluye con un examen de la posible dirección de la investigación futura en este campo en rápido desarrollo.

Los lectores descubrirán técnicas de vanguardia para la coordinación multiagente, incluyendo:

⬤ Una introducción a la coordinación multiagente mediante aprendizaje por refuerzo y algoritmos evolutivos, incluyendo temas como el equilibrio de Nash y el equilibrio correlacionado.

⬤ Mejora de la velocidad de convergencia del aprendizaje Q multiagente para la planificación de tareas cooperativas.

⬤ Aprendizaje Q de consenso para la planificación cooperativa multiagente.

⬤ Cálculo eficiente del equilibrio correlacionado para la planificación multiagente basada en el aprendizaje Q cooperativo.

⬤ Un algoritmo competitivo imperialista modificado para aplicaciones de transporte de palos multiagente.

Perfecto para académicos, ingenieros y profesionales que trabajan habitualmente con algoritmos de aprendizaje multiagente, Multi-Agent Coordination: A Reinforcement Learning Approach también pertenece a las estanterías de cualquier persona con un interés avanzado en el aprendizaje automático y la inteligencia artificial aplicados al campo de la robótica cooperativa o competitiva.