Distributed Decision-Making and Task<br />Coordination in Dynamic, Uncertain and<br />Real-Time Multiagent Environments
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Decision-making in uncertainty and coordination are at the heart of multiagent<br />systems. In this kind of systems, agents have to be able to perceive their environment<br />and take decisions while considering the other agents. When the environment is partially<br />observable, agents have to be able to manage this uncertainty in order to take the<br />most enlightened decisions they can based on the incomplete information they have<br />acquired. Moreover, in the context of cooperative multiagent environments, agents<br />have to coordinate their actions in order to accomplish complex tasks requiring more<br />then one agent.<br />In this thesis, we consider complex cooperative multiagent environments (dynamic,<br />uncertain and real-time). In this kind of environments, we propose an approach of<br />decision-making in uncertainty that enable the agents to flexibly coordinate themselves.<br />More precisely, we present an online algorithm for partially observable Markov decision<br />processes (POMDPs).<br />Furthermore, in such complex environments, agent's tasks can also become quite<br />complex. In this context, it could be complicated for the agents to determine the<br />required number of resources to accomplish each task. To address this problem, we<br />propose a learning algorithm to learn the number of resources necessary to accomplish<br />a task based on the characteristics of this task. In a similar manner, we propose a<br />scheduling approach enabling the agents to schedule their tasks in order to maximize<br />the number of tasks that could be accomplish in a limited time.<br />All these approaches have been developed to enable the agents to efficiently coordinate<br />all their complex tasks in a partially observable, dynamic and uncertain multiagent<br />environment. All these approaches have demonstrated their effectiveness in tests done<br />in the RoboCupRescue simulation environment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle