Les multi-agents deviennent plus intelligents : L'équipe de rêve de l'intelligence artificielle

Aperçu

Programme

• Introduction aux systèmes multi-agents
Aperçu des systèmes multi-agents
Applications et avantages des collaborations multi-agents
Principales différences avec les systèmes à agent unique
• Bases de l'apprentissage par renforcement
Introduction aux concepts d'apprentissage par renforcement
Algorithmes clés : Q-learning, SARSA et DDPG
Mécanismes de récompense dans les contextes multi-agents
• Apprentissage par renforcement multi-agents (MARL)
Environnements coopératifs vs compétitifs
Techniques pour gérer les interactions multi-agents
Environnements partiellement observables
• Ajustement des systèmes multi-agents
Apprentissage par transfert pour les systèmes multi-agents
Stratégies de fine-tuning continue
Optimisation des hyperparamètres pour les contextes multi-agents
• Raisonnement complexe dans les systèmes multi-agents
Incorporer la logique et le raisonnement dans les agents
Processus de planification et de prise de décision multi-agents
Théorie des jeux et interactions stratégiques
• Communication et coordination
Protocoles pour la communication inter-agents
Stratégies de coordination dans les systèmes distribués
Attribution des rôles et distribution des tâches
• Études de cas et applications
Revue des applications de pointe actuelles (par ex., véhicules autonomes, réseaux intelligents)
Leçons tirées des implémentations réelles
• Défis et perspectives d'avenir
Défis de l'évolutivité et de la computation
Considérations éthiques et préoccupations de sécurité
Tendances futures dans la recherche et les applications multi-agents
• Projet Capstone
Conception d'un système multi-agents simple
Mise en œuvre des techniques d'apprentissage par renforcement
Évaluation de la performance et de l'efficacité de la collaboration

---

Matières

Computer Science