抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
マルチスケールは,マルチエージェント協調において大きな問題を提起するのが難しい。小規模マルチエージェントシステムに適用されるマルチエージェント強化学習(MARL)アルゴリズムは,後者がはるかに動的であり,相互作用の数が,エージェントの成長する数とともに指数関数的に増加するので,大規模なものに拡張するのが難しい。いくつかの群知能アルゴリズムは,大規模エージェント協調を制御するフェロモンの放出と利用機構をシミュレートする。そのようなアルゴリズムに触発されて,大規模マルチエージェント強化学習に適用されたPoL,アンフェロンベースの間接通信フレームワークを,大規模マルチエージェント協調問題を解決するために提案する。PooLのエージェントによって放出されたフェロモンは,現在の環境のエージェントの見解を反映するほとんどの強化学習アルゴリズムの出力として定義される。フェロモン更新機構はすべてのエージェントの情報を効率的に組織化し,エージェント間の複雑な相互作用を低次元表現に単純化できる。エージェントによって知覚されたフェロモンは,環境の実際の状況をより良く反映できる近くのエージェントの見解の要約と見なすことができる。Q学習は,PooLとPooLを実装するためのベースモデルとして取り上げ,様々な大規模協調環境で評価した。実験は,エージェントがPooLを通して有効な情報を捕えることができて,より低い通信コストで他の最先端の方法より高い報酬を達成することができることを示した。【JST・京大機械翻訳】