Couvre les caractéristiques, les applications et les défis des agents intelligents dans les systèmes logiciels, en mettant l'accent sur leur rôle dans la prise de décisions autonomes et la coordination avec d'autres agents.
Explore les applications des agents autonomes dans les drones, la gestion du trafic aérien et la logistique, en se concentrant sur les interactions MAS et les réseaux de transport adaptatifs.
Explore la possibilité de consensus des systèmes multi-agents interconnectés linéaires, en mettant l'accent sur l'obtention d'un consensus dans les systèmes multi-agents.
Explore l'utilisation par DaimlerChrysler de la technologie des agents dans la fabrication, en se concentrant sur le système Production 2000+ et ses avantages.
Explore les défis en matière de contrôle, de sécurité et de coordination pour les systèmes autonomes comme les voitures autonomes, en mettant l'accent sur l'apprentissage sécuritaire et les équilibres Nash.
Fournit des conseils sur les propositions de projets en théorie des jeux, en présentant des exemples passés et en mettant laccent sur la formulation des problèmes et la modélisation mathématique.
Explique la détermination des prix de l'état d'équilibre dans la tarification des actifs par le biais de la compensation du marché de la consommation et des contraintes budgétaires.
Déplacez-vous dans la création d'humains virtuels, les systèmes de VR immersifs, les défis dans le contrôle des fac-similés numériques, et les applications en médecine.
Introduit l'apprentissage par renforcement, couvrant ses définitions, ses applications et ses fondements théoriques, tout en décrivant la structure et les objectifs du cours.
Explore l'apprentissage et le contrôle des systèmes complexes, en abordant les défis et les possibilités en matière de technologie et de recherche interdisciplinaire.
Explore la coordination et l'apprentissage dans des systèmes multiagents distribués, couvrant les lois sociales, l'échange de tâches, la satisfaction des contraintes et les algorithmes de coordination.
Explore l'application de l'apprentissage de renforcement pour enseigner à Pacman à jouer de façon autonome en utilisant les méthodes de gradient de politique et les processus de décision Markov.
