Resumen

Los agentes enfrentan desafíos para lograr adaptabilidad y estabilidad al interactuar con contrapartes dinámicas en un sistema multiagente complejo (MAS). Para encontrar un equilibrio entre estos dos objetivos, este documento propone un algoritmo de aprendizaje para agentes heterogéneos con racionalidad limitada. Integra el aprendizaje por refuerzo, así como el juego ficticio para evaluar la información histórica y adoptar mecanismos en el juego evolutivo para adaptarse a la incertidumbre, lo cual se denomina aprendizaje ponderado por experiencia (EWL) en este documento. Hemos realizado simulaciones multiagente para probar el rendimiento de EWL en varios juegos. Los resultados demuestran que el pago promedio de EWL supera al de la línea base en los 4 juegos. Además, descubrimos que la mayoría de los agentes EWL convergen a estrategias puras y finalmente se vuelven estables. Además, probamos el impacto de 2 parámetros importantes, respectivamente. Los resultados muestran que el rendimiento de EWL

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Desafíos; Adaptabilidad; Estabilidad; Sistema multiagente; Algoritmo de aprendizaje; Aprendizaje por refuerzo
• Keywords:Challenges; Adaptability; Stability; Multiagent system; Learning algorithm; Reinforcement learning