Game-theoretic learning and distributed optimization in memoryless multi-agent systems

این کتاب روش‌های کارآمد جدیدی را برای بهینه‌سازی در سیستم‌های چند عاملی در مقیاس بزرگ و واقعی ارائه می‌کند. این روش‌ها به عوامل نیاز ندارند که اطلاعات کاملی در مورد سیستم داشته باشند، بلکه به آنها اجازه می‌دهند تا تصمیمات محلی خود را تنها بر اساس اطلاعات محلی، که احتمالاً در طول ارتباط با همسایگان محلی خود به دست می‌آیند، اتخاذ کنند. این کتاب که عمدتاً برای محققان در بهینه‌سازی و کنترل هدف قرار گرفته است، سه تنظیمات اطلاعاتی مختلف را در سیستم‌های چند عاملی در نظر می‌گیرد: مبتنی بر اوراکل، مبتنی بر ارتباطات و مبتنی بر سود. برای هر یک از این انواع اطلاعات، یک الگوریتم بهینه سازی کارآمد توسعه داده شده است که سیستم را به حالت بهینه هدایت می کند. مسائل بهینه‌سازی بدون مفروضات محدودکننده‌ای مانند تحدب توابع هدف، توپولوژی‌های ارتباطی پیچیده، عبارات شکل بسته برای هزینه‌ها و ابزارها، و محدود بودن فضای حالت سیستم تنظیم می‌شوند.

This book presents new efficient methods for optimization in realistic large-scale, multi-agent systems. These methods do not require the agents to have the full information about the system, but instead allow them to make their local decisions based only on the local information, possibly obtained during communication with their local neighbors. The book, primarily aimed at researchers in optimization and control, considers three different information settings in multi-agent systems: oracle-based, communication-based, and payoff-based. For each of these information types, an efficient optimization algorithm is developed, which leads the system to an optimal state. The optimization problems are set without such restrictive assumptions as convexity of the objective functions, complicated communication topologies, closed-form expressions for costs and utilities, and finiteness of the system’s state space.