Transformación del Q-Learning para el Aprendizaje en Agentes JADE

• Cepero-Pérez, Nayma ^[1] ; Moreno-Espino, Mailyn ^[2]
  1. [1] Departamento de Inteligencia Artificial e Infraestructura de Sistemas Informáticos. Facultad de Ingeniería Informática. Instituto Superior Politécnico "José Antonio Echeverría" (CUJAE)
  2. [2] Dra. Profesor Auxiliar del Instituto Superior Politécnico José Antonio Echeverría (Cujae) Habana, Cuba
• Localización: Lámpsakos, ISSN-e 2145-4086, ISSN 2145-4086, Nº. 14, 2015 (Ejemplar dedicado a: Edición 14: Generación de Nuevo Conocimiento en Ingeniería), págs. 25-32
• Idioma: español
• Títulos paralelos:
  • Q-Learning Transformation for Training on JADE Agents
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El aumento de la interacción entre los sistemas informáticos ha modificado la forma tradicional de analizarlos y desarrollarlos. La necesidad de la interacción entre los componentes del sistema es cada vez más importante para poder resolver tareas conjuntas, que de forma individual serían muy costosas o incluso imposibles de desarrollar. Los sistemas multi-agente ofrecen una arquitectura interesante y completa para ejecutar tareas distribuidas que cooperan entre sí. La creación de un sistema multi-agente o un agente requiere de gran esfuerzo por lo que se han adoptado métodos como los patrones de implementación. El patrón Proactive Obsever_JADE permite crear los agentes e incluirle en cada uno comportamientos dotados de inteligencia que pueden evolucionar utilizando técnicas de aprendizaje automático. El aprendizaje por refuerzo es una técnica del aprendizaje automático que permite a los agentes aprender a través de interacciones de prueba y error, en un ambiente dinámico. El aprendizaje por refuerzo en sistemas multi-agente ofrece nuevos retos derivados de la distribución del aprendizaje, como pueden ser la necesidad de la coordinación entre agentes o la distribución del conocimiento, que deben ser analizados y tratados.

  • English

    Increased interaction between computer systems has modified the traditional way to analyze and develop them. The need for interaction between the system components is increasingly important to solve joint tasks, which individually would be very expensive or even impossible to develop once. Multi-agent systems offer an interesting and complete distributed architecture to execute tasks cooperate. The creation of a multi-agent system or an agent requires great effort so methods have been adopted as the deployment patterns. The pattern creates Proactive Obsever_JADE agents and include in each endowed with intelligence behaviors can evolve using machine learning techniques. The reinforcement learning is a machine learning technique that allows agents to learn through trial and error interactions in a dynamic environment. Reinforcement learning in multi-agent systems offers new challenges arising from the distribution of learning, such as the need for coordination between agents or distribution of knowledge, which should be analyzed and treated.