Titre original :
Multi-Agent Coordination: A Reinforcement Learning Approach
Contenu du livre :
Découvrez les derniers développements en matière de techniques de coordination multi-robots grâce à cette ressource originale et perspicace.
Multi-Agent Coordination : A Reinforcement Learning Approach offre un traitement complet, perspicace et unique du développement d'algorithmes de coordination multi-robots avec une charge de calcul minimale et des exigences de stockage réduites par rapport aux algorithmes traditionnels. Les universitaires, ingénieurs et auteurs accomplis fournissent aux lecteurs une introduction de haut niveau et une vue d'ensemble de la coordination multi-robots, ainsi que des analyses approfondies des algorithmes de planification basés sur l'apprentissage.
Vous apprendrez comment accélérer l'exploration de l'objectif de l'équipe et des approches alternatives pour accélérer la convergence de TMAQL en identifiant l'action conjointe préférée de l'équipe. Les auteurs proposent également de nouvelles approches de l'apprentissage Q par consensus qui abordent le problème de la sélection de l'équilibre et une nouvelle façon d'évaluer la valeur seuil pour l'unification des empires sans imposer de surcharge de calcul significative. Enfin, l'ouvrage se termine par un examen de l'orientation probable des recherches futures dans ce domaine en plein essor.
Les lecteurs découvriront des techniques de pointe pour la coordination multi-agents, y compris :
⬤ Une introduction à la coordination multi-agents par l'apprentissage par renforcement et les algorithmes évolutionnaires, y compris des sujets tels que l'équilibre de Nash et l'équilibre corrélé.
⬤ L'amélioration de la vitesse de convergence de l'apprentissage Q multi-agents pour la planification de tâches coopératives.
⬤ L'apprentissage Q par consensus pour la planification coopérative multi-agents.
⬤ Le calcul efficace de l'équilibre corrélé pour la planification multi-agent basée sur l'apprentissage Q coopératif.
⬤ Un algorithme compétitif impérialiste modifié pour les applications multi-agents de portage de bâtons.
Parfait pour les universitaires, les ingénieurs et les professionnels qui travaillent régulièrement avec des algorithmes d'apprentissage multi-agents, Multi-Agent Coordination : A Reinforcement Learning Approach doit également figurer sur les étagères de tous ceux qui s'intéressent de près à l'apprentissage automatique et à l'intelligence artificielle dans le domaine de la robotique coopérative ou compétitive.
Autres informations sur le livre :
| ISBN : | 9781119699033 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Relié |
| Année de publication : | 2021 |
| Nombre de pages : | 320 |
Achat:
Actuellement disponible, en stock.
