| dc.contributor | Брестский государственный технический университет | ru_RU |
| dc.contributor | Brest State Technical University | ru_RU |
| dc.contributor.author | Кабыш, Антон Сергеевич | |
| dc.contributor.author | Головко, Владимир Адамович | |
| dc.coverage.spatial | Брест | ru_RU |
| dc.date.accessioned | 2020-09-08T13:03:16Z | |
| dc.date.available | 2020-09-08T13:03:16Z | |
| dc.date.issued | 2009 | |
| dc.identifier.citation | Кабыш, А. С. Некоторые подходы к многоагентному подкрепляющему обучению / А. С. Кабыш, В. А. Головко // Вестник Брестского государственного технического университета. Серия: Физика, математика, информатика. – 2009. – № 5. – С. 54–57 : ил. – Библиогр.: с. 57–58 (19 назв.). | ru_RU |
| dc.identifier.uri | https://rep.bstu.by/handle/data/7272 | |
| dc.description | KABYSH А. S., GOLOVKO A. V. Some approaches to multiagent reinforcement learning | ru_RU |
| dc.description.abstract | В данной работе приведены результаты исследований по адаптации стандартных алгоритмов подкрепляющего обучения на случай многоагентной системы и коллективного обучения. Предложены два новых подхода. Подход на основе декомпозиции описывает, как разделить задачу подкрепляющего обучения на подзадачи, каждая из которых поручалась бы отдельному агенту. Подход на основе группового обучения позволяет обучать двух и более агентов алгоритмом подкрепляющего обучения. С учетом введенных принципов спроектирована модель многоагентной системы, эмулирующая многозвенного робота. Рассмотрена задача коллективного обучения многозвенного робота. | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | БрГТУ | ru_RU |
| dc.relation.ispartofseries | Физика, математика, информатика; | |
| dc.subject | искусственный интеллект | ru_RU |
| dc.subject | artificial intelligence | ru_RU |
| dc.title | Некоторые подходы к многоагентному подкрепляющему обучению | ru_RU |
| dc.type | Статья (Article) | ru_RU |
| dc.identifier.udc | 004.8.032.20 | ru_RU |
| dc.abstract.alternative | In this paper introduced research result in area of multiagent reinforcement learning. Purposed two new approaches to collective reinforcement learning. Decomposition approach describes how to split learning task into number of subtasks, where every of them delegated to some agent. Relativity learning approach describes how to learn together two or more agents via reinforcement learning algorithm. Using this principles constructed model of multiagent system emulated multijointed robot. In learning experiment this multiagent system was successful learned. Efficiency of introduced approaches was shown experimentally. | ru_RU |
