Fugu-MT 論文翻訳(概要): A Novel Point-based Algorithm for Multi-agent Control Using the Common Information Approach

論文の概要: A Novel Point-based Algorithm for Multi-agent Control Using the Common Information Approach

arxiv url: http://arxiv.org/abs/2304.04346v1
Date: Mon, 10 Apr 2023 01:27:43 GMT
ステータス: 処理完了
システム内更新日: 2023-04-11 16:16:18.928928
Title: A Novel Point-based Algorithm for Multi-agent Control Using the Common Information Approach
Title（参考訳）: 共通情報を用いた複数エージェント制御のための新しいポイントベースアルゴリズム
Authors: Dengwang Tang, Ashutosh Nayyar, Rahul Jain
Abstract要約: コーディネータの探索値(CHSVI)と呼ばれるマルチエージェント制御問題に対する新しいアルゴリズムを提案する。このアルゴリズムは、大規模なアクション空間に対するCIアプローチとポイントベースのPOMDPアルゴリズムを組み合わせたものである。いくつかのベンチマーク問題を最適に解くことでアルゴリズムを実証する。
参考スコア（独自算出の注目度）: 8.733794945008562
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: The Common Information (CI) approach provides a systematic way to transform a multi-agent stochastic control problem to a single-agent partially observed Markov decision problem (POMDP) called the coordinator's POMDP. However, such a POMDP can be hard to solve due to its extraordinarily large action space. We propose a new algorithm for multi-agent stochastic control problems, called coordinator's heuristic search value iteration (CHSVI), that combines the CI approach and point-based POMDP algorithms for large action spaces. We demonstrate the algorithm through optimally solving several benchmark problems.
Abstract（参考訳）: Common Information (CI) アプローチは、マルチエージェント確率制御問題を、コーディネータのPOMDPと呼ばれる単一エージェントの部分的なマルコフ決定問題(POMDP)に変換する体系的な方法を提供する。しかし、そのようなPOMDPはその極端に大きな作用空間のため解決が難しい。本稿では,ciアプローチとポイントベースpomdpアルゴリズムを組み合わせた多エージェント確率制御問題のための新しいアルゴリズムであるcoordinator's heuristic search value iteration (chsvi)を提案する。いくつかのベンチマーク問題を最適に解くことでアルゴリズムを実証する。

関連論文リスト

Exploring Multi-Agent Reinforcement Learning for Unrelated Parallel Machine Scheduling [2.3034630097498883]
本研究は,強化学習環境を紹介し,実証分析を行う。実験では、シングルエージェントとマルチエージェントアプローチにさまざまなディープニューラルネットワークポリシーを採用している。シングルエージェントアルゴリズムは縮小シナリオにおいて適切に機能する一方、マルチエージェントアプローチは協調学習における課題を明らかにするが、スケーラブルな能力を示す。
論文参考訳（メタデータ） (2024-11-12T08:27:27Z)
UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文参考訳（メタデータ） (2024-05-01T09:34:42Z)
Decentralised Q-Learning for Multi-Agent Markov Decision Processes with a Satisfiability Criterion [0.0]
マルチエージェントマルコフ決定過程(MMDP)を解決するための強化学習アルゴリズムを提案する。目標は、各エージェントの時間平均コストを、指定されたエージェント固有のバウンド以下にすることである。
論文参考訳（メタデータ） (2023-11-21T13:56:44Z)
Deep Reinforcement Learning for Uplink Scheduling in NOMA-URLLC Networks [7.182684187774442]
本稿では,無線ネットワークにおけるURLLC(Ultra Reliable Low Communications)の問題に対処する。本稿では,厳密な期限を含む非直交多重アクセス(NOMA)アップリンクURLLCスケジューリング問題を解くために,DRL(Deep Reinforcement Learning)スケジューリングアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-08-28T12:18:02Z)
Reinforcement Learning Methods for Wordle: A POMDP/Adaptive Control Approach [0.3093890460224435]
我々は、新しい強化学習手法を用いて、人気のあるWordleパズルの解法に対処する。 Wordleパズルでは、比較的控えめな計算コストで最適に近いオンラインソリューション戦略が得られる。
論文参考訳（メタデータ） (2022-11-15T03:46:41Z)
Multi-Objective Policy Gradients with Topological Constraints [108.10241442630289]
本稿では, PPOアルゴリズムの簡単な拡張により, TMDPにおけるポリシー勾配に対する新しいアルゴリズムを提案する。シミュレーションと実ロボットの両方の目的を任意に並べた実世界の多目的ナビゲーション問題に対して,これを実証する。
論文参考訳（メタデータ） (2022-09-15T07:22:58Z)
Emergence of Theory of Mind Collaboration in Multiagent Systems [65.97255691640561]
ToMとエージェント間の効果的な協調を開発するための適応的学習アルゴリズムを提案する。アルゴリズムはToMをモデル化せずに従来の分散実行アルゴリズムを全て上回る2つのゲームで評価する。
論文参考訳（メタデータ） (2021-09-30T23:28:00Z)
Permutation Invariant Policy Optimization for Mean-Field Multi-Agent Reinforcement Learning: A Principled Approach [128.62787284435007]
本稿では,平均場近似ポリシ最適化(MF-PPO)アルゴリズムを提案する。我々は,MF-PPOが収束のサブ線形速度で世界的最適政策を達成することを証明した。特に、置換不変ニューラルアーキテクチャによって引き起こされる誘導バイアスは、MF-PPOが既存の競合より優れていることを示す。
論文参考訳（メタデータ） (2021-05-18T04:35:41Z)
Planning in Markov Decision Processes with Gap-Dependent Sample Complexity [48.98199700043158]
マルコフ決定過程における計画のための新しいトラジェクトリに基づくモンテカルロ木探索アルゴリズム MDP-GapE を提案する。我々は, MDP-GapE に要求される生成モデルに対する呼び出し回数の上限を証明し, 確率の高い準最適動作を同定する。
論文参考訳（メタデータ） (2020-06-10T15:05:51Z)
A Novel Multi-Agent System for Complex Scheduling Problems [2.294014185517203]
本稿では,様々な問題領域に適用可能なマルチエージェントシステムの概念と実装について述べる。提案手法の有効性を示すため,NP-hardスケジューリング問題をシミュレートする。本稿では,レイアウトの複雑さの低減,複雑なシステムの制御の改善,拡張性など,エージェントベースのアプローチの利点を強調した。
論文参考訳（メタデータ） (2020-04-20T14:04:58Z)
Decentralized MCTS via Learned Teammate Models [89.24858306636816]
本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
論文参考訳（メタデータ） (2020-03-19T13:10:20Z)

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。