Learning and Coordination: Enhancing Agent Performance through Distributed Decision Making

سیستم‌های هوشمند از نوع طبیعی، سازگار و قوی هستند: آنها در طول زمان یاد می‌گیرند و تحت استرس به‌خوبی تخریب می‌شوند. اگر قرار است سیستم‌های مصنوعی سطح مشابهی از پیچیدگی را نشان دهند، یک چارچوب سازمان‌دهی و اصول عملیاتی برای مدیریت پیچیدگی طراحی و رفتار مورد نیاز است.
این کتاب یک چارچوب کلی برای سیستم های تطبیقی ​​ارائه می دهد. کاربرد چارچوب جامع با تطبیق آن با مدل‌های خاص یادگیری محاسباتی، از شبکه‌های عصبی تا منطق اعلامی، نشان داده می‌شود.
کلید استحکام در تصمیم گیری توزیع شده نهفته است. یک نمونه از این استراتژی شبکه عصبی در هر دو شکل بیولوژیکی و مصنوعی آن است. در یک شبکه عصبی، دانش در مجموعه سلول‌ها و پیوندهای آنها رمزگذاری می‌شود، نه در هر جزء واحد. تصمیم گیری توزیع شده در مورد عوامل مستقل آشکارتر است. برای جمعیتی از عوامل مستقل، هماهنگی مناسب آنها ممکن است بیشتر از توانایی های فردی آنها برای دستیابی به اهداف آنها مؤثر باشد.
این کتاب مشکلات و فرصت‌های ناشی از عملکرد عوامل مستقل را به صورت فردی و جمعی بررسی می‌کند. با پیروی از چارچوب کلی برای سیستم های یادگیری و کاربرد آن در شبکه های عصبی، هماهنگی عوامل مستقل از طریق تئوری بازی مورد بررسی قرار می گیرد. در نهایت، کاربرد نظریه بازی برای عوامل مصنوعی از طریق مطالعه موردی در هماهنگی روباتیک آشکار می‌شود.
با توجه به جهانی بودن موضوعات -- رفتار یادگیری و راهبردهای هماهنگ در محیط های نامطمئن -- این کتاب مورد توجه دانشجویان و محققین در رشته های مختلف از همه زمینه های مهندسی تا رشته های محاسباتی خواهد بود. از علوم زیستی تا علوم فیزیکی؛ و از هنرهای مدیریتی گرفته تا مطالعات اجتماعی.

Intelligent systems of the natural kind are adaptive and robust: they learn over time and degrade gracefully under stress. If artificial systems are to display a similar level of sophistication, an organizing framework and operating principles are required to manage the resulting complexity of design and behavior.
This book presents a general framework for adaptive systems. The utility of the comprehensive framework is demonstrated by tailoring it to particular models of computational learning, ranging from neural networks to declarative logic.
The key to robustness lies in distributed decision making. An exemplar of this strategy is the neural network in both its biological and synthetic forms. In a neural network, the knowledge is encoded in the collection of cells and their linkages, rather than in any single component. Distributed decision making is even more apparent in the case of independent agents. For a population of autonomous agents, their proper coordination may well be more instrumental for attaining their objectives than are their individual capabilities.
This book probes the problems and opportunities arising from autonomous agents acting individually and collectively. Following the general framework for learning systems and its application to neural networks, the coordination of independent agents through game theory is explored. Finally, the utility of game theory for artificial agents is revealed through a case study in robotic coordination.
Given the universality of the subjects -- learning behavior and coordinative strategies in uncertain environments -- this book will be of interest to students and researchers in various disciplines, ranging from all areas of engineering to the computing disciplines; from the life sciences to the physical sciences; and from the management arts to social studies.