این مقاله با عنوان «A Distributed Primal-Dual Method for Constrained Multi-Agent Reinforcement Learning With General Parameterization» به قلم علی کاهه دانشآموخته رتبه اول کارشناسی ارشد مهندسی برق دانشگاه تهران و حامد کبریایی استاد و عضو هیأت علمی دانشکدگان فنی دانشگاه تهران، در سال ۲۰۲۶ در نشریه معتبر IEEE Transactions on Automatic Control منتشر شده است.
به گزارش دانشگاه تهران، این مجله با شاخص اعتبار علمی SJR=۳.۹۲۹، در جدیدترین رتبهبندی پایگاه استنادی SCImago، جایگاه نخست را در میان ۳۸۲ نشریه بینالمللی حوزه سیستم و کنترل به خود اختصاص داده است.
این پژوهش به ارائه روشی نوین برای حل مسائل یادگیری تقویتی چندعامله مقیدشده (Constrained Multi-Agent Reinforcement Learning) میپردازد. در بسیاری از سامانههای هوشمند، مجموعهای از عاملها باید بهصورت همزمان و مستقل تصمیمگیری کنند و در عین حال به اهداف مشترکی دست یابند. اغلب روشهای موجود برای آموزش این عاملها به یک واحد کنترلکننده مرکزی یا هماهنگی متمرکز نیاز دارند که اجرای آنها را در محیطهای واقعی و مقیاس بزرگ با محدودیت مواجه میکند.
پژوهشگران دانشگاه تهران در این مطالعه روشی کاملا توزیعشده ارائه کردهاند که در آن هر عامل تنها با استفاده از اطلاعات محلی خود و عاملهای همسایه، قادر به یادگیری و تصمیمگیری است. این روش مبتنی بر الگوریتم «اولیه دوگان (Primal-Dual)» و ساختار «Actor-Critic» طراحی شده و به عاملهای هوشمند اجازه میدهد ضمن رعایت محدودیتهای مشترک سیستم، بهصورت آنلاین و مستقل فرآیند یادگیری را انجام دهند.
بیشتر بخوانید …
