Computerwissenschaften - Multiagentensysteme

Logistikdienstleister können ihre Abläufe durch effektive Zusammenarbeit verbessern.

Ein neues Framework verbessert die Entscheidungsfindung in Echtzeit bei Robotern.

Roboter arbeiten zusammen, um effizient in komplexen Umgebungen zu bauen.

Die Benutzererfahrung durch bessere Inhalte für Anbieter verbessern.

Eine Methode, um zuverlässigen Konsens zwischen Agenten trotz böswilligem Verhalten zu gewährleisten.

Roboter können ohne einen Anführer zusammenarbeiten und die Effizienz der Natur nachahmen.

Ein neuer Ansatz, um Agenteninteraktionen und Wissen in Systemen zu verstehen.

Forschung hebt schlauere Methoden zur Bewertung von Behandlungen für Opioidgebrauchsstörungen hervor.

Die Bewegungsprognose ist super wichtig für den sicheren Betrieb autonomer Fahrzeuge, verbessert den Verkehrsfluss und die Entscheidungsfindung.

Eine neue Methode verbessert die Analyse komplexer Systeme, indem sie sich auf Cluster konzentriert.

Neue Ansätze finden, um die Roboternavigation in komplexen Umgebungen zu verbessern.

Diese Methode vereinfacht die Auswahl von Algorithmen und Einstellungen für Machine-Learning-Aufgaben.

Effizienzbewertung in MARL-Algorithmen durch Kommunikations- und Trainingsmethoden.

Untersuchen, wie autonome Fahrzeuge lernen, zusammen zu fahren und effektiv zu konkurrieren.

Wir stellen CRAMP vor, eine Methode, die die Agenten-Navigation in überfüllten Umgebungen verbessert.

Dieser Artikel behandelt selbstheilende verteilte Optimierung für eine effektive Netzwerkresilienz.

Erforsche, wie Multi-Agenten-Systeme die Produktionsleistung durch Echtzeit-Datenmanagement verbessern.

Die Verwaltung des E-Auto-Ladens, um das Stromnetz zu stabilisieren und gleichzeitig die Privatsphäre der Fahrer zu wahren.

Neue Bewertungsmethoden für grosse Sprachmodelle im Gesundheitswesen.

Neue KI-Methoden verbessern das Luftkampfausbildung mit hierarchischer Entscheidungsfindung.

Ein Marktplatzansatz zur Optimierung von elektronischen Verträgen für Cloud-Dienste.

Mit Spieltheorie koordinieren Roboter ihre Bewegungen in engen Bereichen, um Kollisionen zu vermeiden.

Die Verbesserung der Lkw-Auslastung durch Zusammenarbeit kann die Kohlenstoffemissionen erheblich senken.

Erforschen, wie AVs ihre zukünftigen Aktionen kommunizieren können, um sichereres Fahren zu gewährleisten.

Macop schult Agenten, sich besser anzupassen und mit jedem Teamkollegen besser zu arbeiten.

Ein Blick darauf, wie Kinder durch Überlegung ihren dreckigen Zustand erkennen.

Ein Leitfaden für kollaboratives verteiltes maschinelles Lernen bei gleichzeitiger Wahrung der Datensicherheit.

Eine neue Methode zur Verwaltung des Ladens von Elektrofahrzeugen mithilfe von Multi-Agenten-Verstärkungslernen.

DREAM verbessert, wie Roboter Aufgaben und Energie in schwierigen Umgebungen managen.

Neue Methode ermöglicht es Agenten, gemeinsam zu lernen, während sie mit unzuverlässigen Einflüssen umgehen.

Diese Studie untersucht das Verhalten von KI in Kriegssimulationen und deren Auswirkungen auf militärische Entscheidungen.

Ein Datensatz mit StarCraft II-Wiederholungen, um Multi-Agenten-Interaktionen zu analysieren.

Erfahre, wie das Kontrollierbarkeits-Backbone dabei hilft, vernetzte Agenten effektiv zu managen.

Untersuchung der Effizienz und Fairness bei der Echtzeit-Zuweisung von Fahrzeugaufgaben.

Eine neue Methode zur Verbesserung der Entscheidungsfindung in Multi-Agenten-Umgebungen.

Lerne, wie verteilte kollektive Prozesse die Teamarbeit zwischen smarten Geräten verbessern.

Erforschung des DiSC-UCB-Algorithmus für effektive Aktionsauswahl in unsicheren Umgebungen.

Erforschen, wie soziale Identität die Entscheidungen von KI-Agenten im städtischen Verkehr beeinflusst.

Die Analyse von Entscheidungsfindung und Fairness durch die Linse des Ultimatum-Spiels.

Roboter können besser im Team arbeiten, indem sie ihre Fähigkeiten teilen.