Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Surface-Immobilised DNA Molecular Machines for Information Processing Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

Team Search Tactics Through Multi-Agent HyperNEAT

verfasst von : John Reeder

Erschienen in: Information Processing in Cells and Tissues

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

User defined tactics for teams of unmanned systems can be brittle and difficult to define. The state and action space grows with each new system added to the team which increases the difficultly in designing robust behaviors. In this paper we present a method for using Multi-agent HyperNEAT to develop tactics for a team of simulated unmanned systems that is robust to novel situations, and scales with the number of team members. We focus on the tactics of a search area coverage task, where the need for team work, and robust asset management are critical to success.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel An Artificial Immune System for Self-Healing in Swarm Robotic Systems
Nächstes Kapitel miRNA Regulation of Human Embryonic Stem Cell Differentiation
Literatur
1.
Aaltonen, T., Adelman, J., Akimoto, T., Albrow, M.G., González, B.Á., Amerio, S., Amidei, D., Anastassov, A.: Measurement of the top-quark mass with dilepton events selected using neuroevolution at CDF. Phys. Rev. Lett. 102, 152001 (2009)CrossRef
2.
Cardamone, L., Loiacono, D., Lanzi, P.L.: Learning to drive in the open racing car simulator using online neuroevolution. IEEE Trans. Comput. Intell. AI Games 2, 176–190 (2010)CrossRef
3.
4.
D’Ambrosio, D.B., Lehman, J., Risi, S., Stanley, K.O.: Evolving policy geometry for scalable multiagent learning. In: Proceedings of the Ninth International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2010), pp. 731–738 (2010)
5.
D’Ambrosio, D.B., Stanley, K.O.: Generative encoding for multiagent learning. In: Proceedings of the 10th Annual Conference on Genetic and Evolutionary Computation GECCO 2008, vol. 2008, p. 819 (2008)
6.
Dragoni, A.F., Giorgini, P.: Belief revision through the belief-function formalism in a multi-agent environment. In: Müller, J.P., Wooldridge, M.J., Jennings, N.R. (eds.) Intelligent Agents III Agent Theories, Architectures, and Languages. LNCS, vol. 1193, pp. 103–115. Springer, Heidelberg (1997)CrossRef
7.
D’Ambrosio, D.B., Stanley, K.O.: Scalable multiagent learning through indirect encoding of policy geometry. Evol. Intel. 6(1), 1–26 (2013)CrossRef
8.
Friedrich, H., Rogalla, O., Dillmann, R.: Communication and propagation of action knowledge in multi-agent systems. Robot. Auton. Syst. 29(1), 41–50 (1999)CrossRef
9.
Garland, A., Alterman, R.: Preparation of multi-agent knowledge for reuse. In: Proceedings of the Fall Symposium on Adaptation of Knowledge for Reuse, vol. 26, p. 33 (1995)
10.
Gauci, J., Stanley, K.O.: Autonomous evolution of topographic regularities in artificial neural networks. Neural Comput. 22, 1860–1898 (2010)CrossRefMATH
11.
Gauci, J., Stanley, K.: A case study on the critical role of geometric regularity in machine learning. In: AAAI, pp. 628–633 (2008)
12.
Le Pape, C.: A combination of centralized and distributed methods for multi-agent planning and scheduling. In: Proceedings of the 1990 IEEE International Conference on Robotics and Automation, pp. 488–493. IEEE (1990)
13.
Panait, L., Luke, S.: Cooperative multi-agent learning: the state of the art. Auton. Agent. Multi Agent Syst. 11(3), 387–434 (2005)CrossRef
14.
Pugh, J.K., Goodell, S., Stanley, K.O.: Directional communication in evolved multiagent teams. Technical report, University of Central Florida, Orlando, FL (2013)
15.
Sen, S., Weiss, G.: Learning in multiagent systems. In: Weiss, G. (ed.) Multiagent Systems: A Modern Approach to Distributed Artificial Intelligence, Chap. 6, pp. 259–298. The MIT Press, Cambridge (1999)
16.
Stanley, K.O.: Compositional pattern producing networks: a novel abstraction of development. Genet. Program Evolvable Mach. 8, 131–162 (2007)CrossRef
17.
Stanley, K.O., Bryant, B.D., Miikkulainen, R.: Real-time neuroevolution in the NERO video game. IEEE Trans. Evol. Comput. 9, 653–668 (2005)CrossRef
18.
Stanley, K.O., D’Ambrosio, D.B., Gauci, J.: A hypercube-based encoding for evolving large-scale neural networks. Artif. Life 15, 185–212 (2009)CrossRef
19.
Stanley, K.O., Miikkulainen, R.: A taxonomy for artificial embryogeny. Artif. Life 9, 93–130 (2003)CrossRef
20.
Stanley, K.O., Miikkulainen, R.: Competitive coevolution through evolutionary complexification (2004)
21.
Stone, P., Veloso, M.: Multiagent Systems: A Survey from a Machine Learning Perspective (2000)
22.
Taylor, M.E., Whiteson, S., Stone, P.: Comparing evolutionary and temporal difference methods in a reinforcement learning domain. In: Proceedings of the 8th Annual Conference on Genetic and Evolutionary Computation GECCO 2006, p. 1321 (2006)
23.
Turing, A.M.: The chemical basis of morphogenesis. Bull. Math. Biol. 52, 153–197 (1990)CrossRef
24.
Verbancsics, P., Stanley, K.O.: Evolving static representations for task transfer. J. Mach. Learn. Res. 11, 1737–1769 (2010)MathSciNetMATH
25.
Whiteson, S., Stone, P.: Evolutionary function approximation for reinforcement learning. J. Mach. Learn. Res. 7, 877–917 (2006)MathSciNetMATH
26.
Whiteson, S., Whiteson, D.: Machine learning for event selection in high energy physics. Eng. Appl. Artif. Intell. 22, 1203–1217 (2009)CrossRef
27.
Yao, X.: Evolving artificial neural networks (1999)
Metadaten
Titel
Team Search Tactics Through Multi-Agent HyperNEAT
verfasst von
John Reeder
Copyright-Jahr
2015
Buch
Information Processing in Cells and Tissues

Print ISBN: 978-3-319-23107-5

Electronic ISBN: 978-3-319-23108-2

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-23108-2_7