État de l'art des approches en apprentissage par renforcement multi-agent

Maisonhaute Tiziano, Michel Fabien, Soulie Jean-Christophe. 2024. État de l'art des approches en apprentissage par renforcement multi-agent. In : JFSMA 2024 - JFMS 2024. Simulation multi-agents : nouvelles approches, nouveaux enjeux. Picault Sébastien (ed.). Toulouse : Cépaduès, 99-108. ISBN 978-2-38395-142-1 Journées francophone sur les systèmes multi-agents (JFSMA 24), Cargèse, France, 6 Novembre 2024/9 Novembre 2024.

Résumé : 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.

Résumé (autre langue) : 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.

Mots-clés libres : Apprentissage par renforcement multi-agent, MARL, Système multi-agents, SMA

Agences de financement hors UE : Agence Nationale de la Recherche

Projets sur financement : (FRA) Scenario labs to design and evaluate trajectories toward C neutrality

Auteurs et affiliations

• Maisonhaute Tiziano, CIRAD-PERSYST-UPR Recyclage et risque (FRA)
• Michel Fabien, LIRMM (FRA)
• Soulie Jean-Christophe, CIRAD-PERSYST-UPR Recyclage et risque (REU) ORCID: 0000-0003-2904-9548

Source : Cirad-Agritrop (https://agritrop.cirad.fr/610887/)

Métriques

[ Page générée et mise en cache le 2024-11-13 ]