یادگیری تقویتی در سیستم های چندعامله غیرهمکار

یکی از مسایلی که در زمینه تحقیقات سیستم های چندعامله مورد توجه قرار گرفته است، استفاده از تکنیکهای یادگیر تجهیز سیستمهای چندعامله با تواناییهای یادگیری میباشد. در این مسایل چندین تعادل نش وجود دارد. در یادگیری تقویتی سیستم های چندعامله، بیشترین تضمین همگرایی الگوریتم های یادگیری به تعادل نش بهینه است. بازی های تصادفی بعنوان توسعهای از فرایندهای تصادفی مارکوف با چندعامل در سیستمهای چندعامله مدلسازی آنها دارای اهمیت بوده بعنوان چارچوبی مناسب در تحقیقات یادگیری تقویتی چندعامله بکار رفته اند. در این مقاله الگوریتم یادگیری تقویتی Nash-Q برای حل نوعی از بازی تصادفی Grid-World که سیستم چندعامله غیرهمکار است دارای دو تعادل نش است، بکار برده شد نتایج نشان داده شدند.