الگوریتم ها و ساختارهای داده

هماهنگی چند عاملی: یک رویکرد یادگیری تقویتی

Multi-Agent Coordination: A Reinforcement Learning Approach

دانلود کتاب Multi-Agent Coordination: A Reinforcement Learning Approach (به فارسی: هماهنگی چند عاملی: یک رویکرد یادگیری تقویتی) نوشته شده توسط «Arup Kumar Sadhu – Amit Konar»

اطلاعات کتاب هماهنگی چند عاملی: یک رویکرد یادگیری تقویتی

موضوع اصلی: کامپیوترها – الگوریتم ها و ساختارهای داده

نوع: کتاب الکترونیکی

ناشر: Wiley

نویسنده: Arup Kumar Sadhu – Amit Konar

زبان: english

فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)

سال انتشار: 2020

تعداد صفحه: 320 / 315

حجم فایل: 12.49 مگابایت

کد کتاب: 1119698995 , 9781119698999

توضیحات کتاب هماهنگی چند عاملی: یک رویکرد یادگیری تقویتی

آخرین پیشرفت‌ها در تکنیک‌های هماهنگی چند ربات را با این منبع روشن‌فکر و اصلی، هماهنگی چند عاملی کشف کنید: رویکرد یادگیری تقویتی، درمان جامع، روشن‌تر و منحصربه‌فردی از توسعه الگوریتم‌های هماهنگی چند ربات با حداقل بار محاسباتی و کاهش ذخیره‌سازی ارائه می‌دهد. الزامات در مقایسه با الگوریتم های سنتی دانشگاهیان، مهندسان و نویسندگان موفق، مقدمه و مروری بر هماهنگی چند روباتی و تحلیل عمیق الگوریتم‌های برنامه‌ریزی مبتنی بر یادگیری را در اختیار خوانندگان قرار می‌دهند. شما در مورد چگونگی تسریع کاوش در هدف تیمی و رویکردهای جایگزین برای سرعت بخشیدن به همگرایی TMAQL با شناسایی اقدام مشترک ترجیحی برای تیم یاد خواهید گرفت. نویسندگان همچنین روش‌های جدیدی را برای یادگیری Q-اجماع پیشنهاد می‌کنند که به مسئله انتخاب تعادل و روش جدیدی برای ارزیابی مقدار آستانه برای متحد کردن امپراتوری‌ها بدون تحمیل هیچ گونه سربار محاسباتی قابل توجهی می‌پردازد. در نهایت، این کتاب با بررسی جهت احتمالی تحقیقات آینده در این زمینه به سرعت در حال توسعه به پایان می رسد. خوانندگان تکنیک‌های پیشرفته‌ای را برای هماهنگی چند عاملی کشف خواهند کرد، از جمله: مقدمه‌ای بر هماهنگی چند عاملی با یادگیری تقویتی و الگوریتم‌های تکاملی، از جمله موضوعاتی مانند تعادل نش و تعادل همبسته. بهبود سرعت هم‌گرایی یادگیری Q چند عاملی برای همکاری برنامه ریزی وظیفه اجماع یادگیری Q برای برنامه ریزی تعاونی چند عاملی محاسبه کارآمد تعادل همبسته برای برنامه ریزی چند عاملی مبتنی بر یادگیری q مشارکتی الگوریتم رقابتی امپریالیستی اصلاح شده برای برنامه های کاربردی چند عامله ای مناسب برای دانشگاهیان، مهندسان و متخصصان که به طور منظم با الگوریتم‌های یادگیری چند عاملی کار کنید، هماهنگی چند عاملی: رویکرد یادگیری تقویتی همچنین در قفسه کتاب هر کسی که علاقه پیشرفته به یادگیری ماشین و هوش مصنوعی دارد، تعلق دارد، زیرا در زمینه رباتیک مشارکتی یا رقابتی کاربرد دارد.

Discover the latest developments in multi-robot coordination techniques with this insightful and original resource Multi-Agent Coordination: A Reinforcement Learning Approach delivers a comprehensive, insightful, and unique treatment of the development of multi-robot coordination algorithms with minimal computational burden and reduced storage requirements when compared to traditional algorithms. The accomplished academics, engineers, and authors provide readers with both a high-level introduction to, and overview of, multi-robot coordination, and in-depth analyses of learning-based planning algorithms. You’ll learn about how to accelerate the exploration of the team-goal and alternative approaches to speeding up the convergence of TMAQL by identifying the preferred joint action for the team. The authors also propose novel approaches to consensus Q-learning that address the equilibrium selection problem and a new way of evaluating the threshold value for uniting empires without imposing any significant computation overhead. Finally, the book concludes with an examination of the likely direction of future research in this rapidly developing field. Readers will discover cutting-edge techniques for multi-agent coordination, including: An introduction to multi-agent coordination by reinforcement learning and evolutionary algorithms, including topics like the Nash equilibrium and correlated equilibrium Improving convergence speed of multi-agent Q-learning for cooperative task planning Consensus Q-learning for multi-agent cooperative planning The efficient computing of correlated equilibrium for cooperative q-learning based multi-agent planning A modified imperialist competitive algorithm for multi-agent stick-carrying applications Perfect for academics, engineers, and professionals who regularly work with multi-agent learning algorithms, Multi-Agent Coordination: A Reinforcement Learning Approach also belongs on the bookshelves of anyone with an advanced interest in machine learning and artificial intelligence as it applies to the field of cooperative or competitive robotics.

دانلود کتاب «هماهنگی چند عاملی: یک رویکرد یادگیری تقویتی»

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.

📖 خرید این کتاب

برای دریافت فایل و اطلاع از قیمت، روی یکی از دکمه‌های زیر کلیک کنید تا پیام آماده برای شما ارسال شود:

پس از ارسال پیام، قیمت و لینک دریافت فایل در اسرع وقت برای شما ارسال خواهد شد.

برچسب ها

دیدگاهتان را بنویسید

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.
کتابخانه دیجیتال بَلیان