Publicación:
(Delta) - radius IVRL: paradigma de integración de aprendizaje por refuerzo en sistemas multi-agente
(Delta) - radius IVRL: paradigma de integración de aprendizaje por refuerzo en sistemas multi-agente
| dc.contributor.author | Camargo Monroy, Jesús Alejandro | es_PE |
| dc.date.accessioned | 2024-05-30T23:13:38Z | |
| dc.date.available | 2024-05-30T23:13:38Z | |
| dc.date.issued | 2016 | |
| dc.description.abstract | Los sistemas multi-agente han mostrado, por su propia naturaleza, permitir resolver problemas que requieren coordinaci´on y/o cooperaci´on, ello por cuanto permiten representar de forma natural dichas situaciones. Sin embargo, existen algunos problemas relacionados a su representaci´on formal y en consecuencia a su aplicacio´n. El estudio de los modelos formales actuales ha dejado al descubierto algunas de las falencias respecto a su representacio´n y aplicaci´on; con un fallido sistema de comunicaci´on como el problema mayor comu´nmente encontrado. Estando al tanto de este problema proponemos : δ-radius Communication Model, una representacio´n formal para la comunicaci´on en sistemas multi-agente. Los paradigmas dominantes de aprendizaje en el a´rea son Independent Learning e Influence Value Reinforcement Learning. Polos opuestos en relacio´n a la influencia de los agentes respecto a sus compan˜eros. Independent Learning busca establecer un sistema libre de influencia; mientras tanto, Influence Value Reinforcement Learning presenta un escenario en el cual los agentes son influenciados por todos sus compan˜eros en un entorno compartido. Basa´ndonos en ambos extremos, una vista unificada de ambos paradigmas es definida: δ-radius Influence Value Reinforcement Learnig. La visio´n unificada ha de permitir el desarrollo de sistemas intermedios, en los cuales se pueda definir limitaciones expl´ıcitas a la comunicacio´n mediante una nocio´n de distancia entre los agentes y teniendo como limitante a δ, una variable que determinara la distancia ma´xima bajo la cual es posible establecer comunicaci´on entre dos agentes. M´as aun, los resultados de los experimentos desarrollados han demostrado que los sistemas intermedios han de tener una menor complejidad algor´ıtmica y una mejor capacidad de convergencia. | |
| dc.description.sponsorship | Consejo Nacional de Ciencia, Tecnología e Innovación Tecnológica - Concytec | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12390/2061 | |
| dc.language.iso | spa | |
| dc.publisher | Universidad Católica San Pablo | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ | |
| dc.subject | Sistema Multi-Agente | |
| dc.subject | Independent Learning | es_PE |
| dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#1.02.01 | |
| dc.title | (Delta) - radius IVRL: paradigma de integración de aprendizaje por refuerzo en sistemas multi-agente | |
| dc.type | info:eu-repo/semantics/masterThesis | |
| dspace.entity.type | Publication | |
| oairecerif.author.affiliation | #PLACEHOLDER_PARENT_METADATA_VALUE# |