Efficiënt leren communiceren met multi-agent reinforcement learning voor gedistribueerde controle applicaties.

De laatste jaren is de interesse in het veld van multi-agent reinforcement learning enorm toegenomen. Bij taken waar samenwerking tussen agenten vereist is, beginnen onderzoekers steeds meer te kijken naar technieken om agenten te laten leren communiceren met elkaar terwijl ze tegelijkertijd leren hoe ze zich moeten gedragen. Vele huidige state-of-the-art technieken gebruiken broadcast communicatie. Dit is echter niet schaalbaar naar werkelijke toepassingen. Daarom wil ik methodes ontwikkelen om het aantal berichten te verminderen. Het doel van dit project is om het aantal verzonden berichten te verminderen terwijl dezelfde performantie van de oplossing wordt behouden. Om dit doel te bereiken zal ik kijken naar technieken om te communiceren met een variabel aantal agenten, naar technieken om de communicatie te verminderen door gebruik te maken van relevantie metrieken en signatures en naar technieken om hopping gedrag aan te moedigen bij agenten. De methodes die in dit onderzoeksproject worden voorgesteld zijn essentieel om schaalbare controle applicaties te creëren door deze te distribueren in combinatie met schaalbare geleerde communicatie. De ontwikkelde methodes zullen worden gevalideerd op simulaties van verkeerslicht controle.

Trefwoorden:ARTIFICIËLE INTELLLIGENTIE, MACHINAAL LEREN, MULTI AGENT MODELLEN

Disciplines:Machine learning en besluitvorming, Artificiële intelligentie niet elders geclassificeerd