論文の概要: Resource allocation in dynamic multiagent systems
- arxiv url: http://arxiv.org/abs/2102.08317v1
- Date: Tue, 16 Feb 2021 17:56:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-17 15:06:10.183959
- Title: Resource allocation in dynamic multiagent systems
- Title（参考訳）: 動的マルチエージェントシステムにおける資源配分
- Authors: Niall Creech, Natalia Criado Pacheco, Simon Miles
- Abstract要約: MG-RAOアルゴリズムは,マルチエージェントシステムにおける資源配分問題を解決するために開発された。
シミュレーション環境における固定リソース割り当てに対する23～28%の改善を示す。
また、揮発性システムでは、mg-raoアルゴリズムを用いて、子エージェントがすべてのエージェントのリソース割り当てをモデル化するように構成されているため、複数のエージェント群をモデル化するときのパフォーマンスは46.5%である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Resource allocation and task prioritisation are key problem domains in the
fields of autonomous vehicles, networking, and cloud computing. The challenge
in developing efficient and robust algorithms comes from the dynamic nature of
these systems, with many components communicating and interacting in complex
ways. The multi-group resource allocation optimisation (MG-RAO) algorithm we
present uses multiple function approximations of resource demand over time,
alongside reinforcement learning techniques, to develop a novel method of
optimising resource allocation in these multi-agent systems. This method is
applicable where there are competing demands for shared resources, or in task
prioritisation problems. Evaluation is carried out in a simulated environment
containing multiple competing agents. We compare the new algorithm to an
approach where child agents distribute their resources uniformly across all the
tasks they can be allocated. We also contrast the performance of the algorithm
where resource allocation is modelled separately for groups of agents, as to
being modelled jointly over all agents. The MG-RAO algorithm shows a 23 - 28%
improvement over fixed resource allocation in the simulated environments.
Results also show that, in a volatile system, using the MG-RAO algorithm
configured so that child agents model resource allocation for all agents as a
whole has 46.5% of the performance of when it is set to model multiple groups
of agents. These results demonstrate the ability of the algorithm to solve
resource allocation problems in multi-agent systems and to perform well in
dynamic environments.
- Abstract（参考訳）: リソースの割り当てとタスクの優先順位付けは、自動運転車、ネットワーク、クラウドコンピューティングの分野で重要な問題領域です。
効率的で堅牢なアルゴリズムを開発する上での課題は、これらのシステムの動的性質から来ており、多くのコンポーネントが複雑な方法で通信および相互作用しています。
本稿では,多群資源割当最適化(MG-RAO)アルゴリズムを用いて,時間とともに資源需要を近似し,強化学習手法を用いて資源割当を最適化する手法を開発した。
この方法は、共有リソースやタスク優先問題に対して競合する要求がある場合に適用される。
複数の競合するエージェントを含むシミュレーション環境で評価を行う。
我々は、新しいアルゴリズムを、子エージェントが割り当て可能なすべてのタスクに対して、リソースを均一に分散するアプローチと比較する。
また,エージェント群に対して資源割当を別々にモデル化するアルゴリズムの性能を比較検討し,すべてのエージェントに対して協調的にモデル化する。
MG-RAOアルゴリズムは、シミュレーション環境での固定資源割り当てよりも23～28%改善している。
また、揮発性システムでは、mg-raoアルゴリズムを用いて、子エージェントがすべてのエージェントのリソース割り当てをモデル化するように構成されているため、複数のエージェント群をモデル化するときのパフォーマンスは46.5%である。
これらの結果は,マルチエージェントシステムにおける資源配分問題の解法と,動的環境下での良好な性能を示すものである。
関連論文リスト
- Multi-Objective Optimization Using Adaptive Distributed Reinforcement Learning [8.471466670802815]
本稿では,多目的・マルチエージェント強化学習(MARL)アルゴリズムを提案する。
我々はエッジクラウドコンピューティングを用いたITS環境でアルゴリズムをテストする。
また,本アルゴリズムは,モジュール化および非同期オンライントレーニング手法により,様々な実用上の問題にも対処する。
論文 参考訳（メタデータ） (2024-03-13T18:05:16Z) - Multi-Resource Allocation for On-Device Distributed Federated Learning
Systems [79.02994855744848]
本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。
システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
論文 参考訳（メタデータ） (2022-11-01T14:16:05Z) - Multi-agent Deep Covering Skill Discovery [50.812414209206054]
本稿では,複数エージェントの結合状態空間の予測被覆時間を最小化し,マルチエージェントオプションを構築するマルチエージェントDeep Covering Option Discoveryを提案する。
また、MARLプロセスにマルチエージェントオプションを採用するための新しいフレームワークを提案する。
提案アルゴリズムは,アテンション機構とエージェントの相互作用を効果的に把握し,マルチエージェントオプションの同定に成功した。
論文 参考訳（メタデータ） (2022-10-07T00:40:59Z) - Multi-Agent Reinforcement Learning for Long-Term Network Resource
Allocation through Auction: a V2X Application [7.326507804995567]
我々は,自律エージェント間の分散意思決定として,移動エージェントの動的グループ(自動車など)からの計算タスクのオフロードを定式化する。
我々は、競争と協力のバランスをとることで、そのようなエージェントにプライベートとシステム目標の整合を動機付けるインタラクションメカニズムを設計する。
本稿では,部分的,遅延,ノイズの多い状態情報を用いて学習する,新しいマルチエージェントオンライン学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-07-29T10:29:06Z) - Resource-Aware Distributed Submodular Maximization: A Paradigm for
Multi-Robot Decision-Making [3.5788754401889022]
Resource-Aware Distributed Greedyは、各ロボットのオンボードリソースを独立して考慮した最初のアルゴリズムである。
RAGは、中央集権化のトレードオフを、グローバルな準最適性、分散化、ほぼ最小のオンボード計算、通信、メモリリソースのトレードオフとバランス付けます。
論文 参考訳（メタデータ） (2022-04-15T15:47:05Z) - Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless
Cellular Networks [82.02891936174221]
複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。
本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
論文 参考訳（メタデータ） (2021-11-23T18:24:47Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Multi-resource allocation for federated settings: A non-homogeneous
Markov chain model [2.552459629685159]
連合設定において、エージェントは中央エージェントまたはサーバと協調し、エージェントが互いに情報を共有しない最適化問題を解決する。
本稿では,アジェント間通信のない単一共有リソースのフェデレーション設定における最適化問題のクラスを解決するために,AIMDアルゴリズムを簡単な方法で変更する方法について述べる。
シングルリソースのアルゴリズムを、スマートシティや共有エコノミー、その他多くのアプリケーションに出現する複数の異種共有リソースに拡張する。
論文 参考訳（メタデータ） (2021-04-26T19:10:00Z) - Dynamic neighbourhood optimisation for task allocation using multi-agent [0.0]
大規模システムでは、タスク割り当てに集中型技術を使用する場合、課題がある。
本稿では,これらの問題を解決する4つのアルゴリズムを提案する。
システム接続に影響を及ぼす場合、非知識保持アプローチよりも5倍のパフォーマンス回復を提供する。
論文 参考訳（メタデータ） (2021-02-16T17:49:14Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-27T17:38:51Z) - A Multi-Agent Primal-Dual Strategy for Composite Optimization over
Distributed Features [52.856801164425086]
目的関数を滑らかな局所関数と凸(おそらく非滑らか)結合関数の和とするマルチエージェント共有最適化問題について検討する。
論文 参考訳（メタデータ） (2020-06-15T19:40:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。