Škálovatelné pravděpodobnostní plánování nezávislých úloh pomocí multi-agentní dekompozice

Abstract

Multi-agentní nedeterministické plánování má obecně problémy se škálovatelností. Tato práce se zabývá řešením řešením škálovatelnosti multi-agentních problémů s oddělenými úlohami. Vybrali jsme skupinu problémů vyznačujících se omezenými interakcemi s cílem využít jejich specifické vlastnosti. Tyto interakce jsou omezeny na sdílené prostředí a utilitu. Naším cílem je zvýšit škálovatelnost rozdělením multi-agentního problému na několik podproblémů spjatých s jednotlivými agenty. Za použití self-absorbed aproximace a simulace ostatních agentů hodnotíme vliv jejich akcí na společnou odměnu. Řešení problému je definováno a formalizováno pro obecný problém oddělených úloh a později použito k řešení konkrétního problému. Problém multi-agentního sledování více cílů je poté implementován a srovnáván s centralizovaným a self-absorbed řešením.

The multi-agent non-deterministic planning in general has issues with its scalability. This thesis presents a solution for multi-agent planning of problems with decoupled tasks to overcome these issues. We have chosen a subclass of problems with limited interactions to exploit its characteristics. Those interactions are restricted to the shared environment and the utility. Our aim is to increase the scalability by using decomposition of multi-agent problem into number of subproblems centered around each individual agent together with the self-absorbed approximation and simulation of other agents to evaluate the effect of their action on global reward. The problem solution is defined and formalized for general problems with decoupled tasks and later applied on a concrete problem. The problem of multi-agent multi-target tracking is then implemented and compared with the (baseline) centralized solution and to the self-absorbed solution.