Resumen

El Aprendizaje por Refuerzo Multiagente (MARL) es una técnica prometedora para que los agentes aprendan políticas coordinadas efectivas en Sistemas Multiagente (MASs). En muchos MASs, las interacciones entre agentes suelen ser escasas, por lo que se idearon muchos métodos de MARL para ellos. Estos métodos dividen el proceso de aprendizaje en aprendizaje independiente y aprendizaje conjunto en estados coordinados para mejorar el aprendizaje tradicional del espacio de estados-acción conjunto. Sin embargo, la mayoría de esos métodos identifican estados coordinados basados en suposiciones sobre la estructura del dominio (por ejemplo, dependencias) o del agente (por ejemplo, política óptima individual previa y homogeneidad del agente). Además, todavía existen situaciones que los métodos actuales no pueden manejar. En este documento, se propone un enfoque modificado para aprender dónde y cómo coordinar los comportamientos de los agentes en MASs más generales con interacciones escasas. Nuestro enfoque introduce la agrupación de muestras

• Materias:Ecuación pseudoparabólica Dimensión fractal Virus informático Redes dinámicas Sistemas diferenciales
• Subjects:Pseudoparabolic equation Fractal dimension Computer virus Dynamic networks Differential systems
• Palabras claves:Aprendizaje por refuerzo; Sistemas multiagente; Política coordinada; Interacciones dispersas; Aprendizaje conjunto; Grado de diferencia de modelo
• Keywords:Reinforcement learning; Multiagent systems; Coordinated policy; Sparse interactions; Joint learning; Model difference degree