سیستم‌های چندعاملی

Multi-Agent Systems

مقطع: تحصیلات تکمیلی گرایش: هوش مصنوعی
نوع درس: نظری تعداد واحد: ۳
پیش‌نیاز: – هم‌نیاز: –

هدف کلی

هدف این درس آشنا نمودن دانشجویان با مفاهیم و اصول طراحی سامانه‌های چندعاملی و مکانیزم‌های متداول در این حوزه برای درک عامل‌ها از یک‌دیگر و چگونگی ارتباط و همکاری عامل‌ها باهم در چنین سامانه‌هایی است. همچنین، مطالعه الگوریتم‌ها و رویکردهای برنامه‌ریزی و تخصیص وظیفه چندعاملی و هوش جمعی از اهداف این درس است.

سرفصل‌ها

  1. مقدمه: معرفی عامل و خودمختاری؛ سیستم‌های چندعاملی تعاونی و رقابتی؛ سیستم‌های توزیع‌شده، متمرکز و غیرمتمرکز
  2. برقراری ارتباط: کنش گفتاری، زبان‌های ارتباطی میان عامل‌ها (KQML، FIPA-ACL، JADE و غیره)
  3. همکاری بین عامل‌ها: حل مسئله تعاونی توزیع‌شده، اشتراک‌گذاری وظیقه و نتیجه، مدیریت ناسازگاری‌ها، روش‌های ایجاد هماهنگی، برنامه‌ریزی چندعاملی
  4. تعامل چندعاملی: سودمندی و اولویت، مفهوم و ویژگی‌های راه‌حل، تعامل تعاونی و رقابتی و جمع-صفر، شکل‌گیری همکاری: دوراهی زندانی، و غیره
  5. تصمیم‌گیری گروهی: توابع رفاه و انتخاب اجتماعی، فرایند رای‌گیری، خواص مطلوب رای‌گیری، استراتژی دستکاری راهبردی، مذاکره
  6. تشکیل ائتلاف: بازی‌های تعاونی، چالش‌های محاسباتی و بازنمایی، بازنمایی ماژولار، بازنمایی بازی‌های ساده، بازی‌های ائتلافی هدف‌دار، ایجاد ساختار ائتلاف
  7. تخصیص منابع: طبقه‌بندی انواع مزایده، مزایده برای یک منبع، مزایده‌های ترکیبی، تعیین برنده
  8. یادگیری تقویتی چندعاملی (MARL) در بازی‌ها: فرایند عمومی یادگیری، انواع همگرایی، چالش‌ها و انواع الگوریتم‌های عامل
  9. الگوریتم‌های پایه MARL: یادگیری عمل مشترک (یادگیری Q کمینه‌-بیشینه، یادگیری Q نش، یادگیری Q همبسته)، مدل‌سازی عامل، یادگیری مبتنی بر سیاست
  10. اشاره مختصری بر روش‌های مبتنی بر یادگیری عمیق در MARL

ارزیابی پیشنهادی

منابع پیشنهادی

  1. M. Wooldridge. An Introduction to MultiAgent Systems. 2nd Edition, 2009.
  2. S. V. Albrecht, F. Christianos, and L. Schäfer. Multi-Agent Reinforcement Learning: Foundations and Modern Approaches. MIT Press, 2024.