État de l'art sur les approches en apprentissage par renforcement multi-agent.
Résumé
In reinforcement learning, an agent adapts its behavior in order to maximize a reward. These approaches are used to teach an agent how to act in its environment. Major difficulties arise when these approaches are applied to several agents. In this case, directly transposing reinforcement learning approaches is likely to fail. This is why it is interesting to use new approaches specifically adapted to multi-agent systems. This article presents a state-of-the-art review of multi-agent reinforcement learning approaches. The proposed synthesis focuses on the underlying approach rather than on the nature of the algorithms. Its aim is to help identify the best solutions in each context.
En apprentissage par renforcement, un agent adapte son comportement afin de maximiser une récompense. Ces approches sont utilisées pour apprendre à un agent comment agir dans son environnement. D’importantes difficultés apparaissent lorsque l’on applique ces approches à plusieurs agents. Dans ce cas-là, directement transposer les approches d’apprentissage par renforcement a de grandes chances d’échouer. Ainsi, il devient intéressant d’utiliser de nouvelles approches spécifiquement adaptées aux systèmes multi-agents. Cet article présente un état de l’art sur les approches d’apprentissage par renforcement multi-agent. La synthèse proposée se focalise sur l’approche sous-jacente plutôt que sur la nature des algorithmes. Elle a pour but d’aider à identifier les meilleures solutions selon le contexte.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |