Классификация методов формирования мультиагентных систем из группы объектов

Авторы: Журавлев Е.Э.
Опубликовано в выпуске: #5(94)/2024
DOI:
Раздел: Информатика, вычислительная техника и управление | Рубрика: Информационные технологии. Компьютерные технологии. Теория вычислительных машин и систем
Ключевые слова: моделирование, информация, автоматизированные системы, мультиагентные системы, обмен информацией, синхронизация, управление пространственной конфигурацией, координация
Опубликовано: 17.11.2024

Проанализированы методы формирования мультиагентных систем (МАС) из группы объектов. Выделены основные группы методов, позволяющих решать задачи обмена информации между агентами, синхронизации временных меток агентов, формирования и управления пространственной конфигурацией МАС, координации агентов. Все методы разделены на централизованные и децентрализованные, использующие абсолютные и относительные координаты, способы машинного обучения и опирающиеся на роевые и эволюционные алгоритмы, а также отражающие особенности пространственно-временного положения агентов. В результате сравнительного анализа показаны достоинства и недостатки рассмотренных методов. Видно, что недостатки одних методов могут быть компенсированы достоинствами других при использовании комбинированных методов. Показано, что существующие методы классификации не отражают полноты существующих исследований в области формирования МАС из группы объектов. Предложенная классификация и сравнение систематизируют знания об основных аспектах формирования МАС.

Литература

[1] Ruch C. et al. The+ 1 method: model-free adaptive repositioning policies for robotic multi-agent systems. IEEE Transactions on Network Science and Engineering, 2020, vol. 7, no. 4, pp. 3171–3184. https://doi.org/10.1109/TNSE.2020.3017526

[2] Geihs K. Engineering challenges ahead for robot teamwork in dynamic environments. Applied Sciences, 2020, vol. 10, no. 4, art. 1368. https://doi.org/10.3390/app10041368

[3] Salzman O., Stern R. Research challenges and opportunities in multi-agent pathfinding and multi-agent pickup and delivery problems. Proceedings of the 19th International Conference on Autonomous Agents and MultiAgent Systems, New Zealand, 2020, pp. 1711–1715.

[4] Sigurdson D. et al. Multi-agent pathfinding with real-time heuristic search. IEEE Conference on Computational Intelligence and Games (CIG). IEEE, 2018, pp. 1–8. https://doi.org/10.1109/CIG.2018.8490436

[5] Janovska K., Surynek P. Combining Conflict-based Search and Agent-based Modeling for Evacuation Problems. Proceedings of the International Symposium on Combinatorial Search, 2022, vol. 15, no. 1, pp. 294–296. https://doi.org/10.1609/socs.v15i1.21790

[6] Pantelimon G. et al. Survey of multi-agent communication strategies for information exchange and mission control of drone deployments. Journal of Intelligent & Robotic Systems, 2019, vol. 95, pp. 779–788. https://doi.org/10.1007/s10846-018-0812-x

[7] Ristevski S., Yucelen T., Muse J. A. An event-triggered distributed control architecture for scheduling information exchange in networked multiagent systems. IEEE Transactions on Control Systems Technology, 2021, vol. 30, no. 3, pp. 1090–1101. https://doi.org/ 10.1109/TCST.2021.3089911

[8] Alsolami F. et al. Development of self-synchronized drones’ network using cluster-based swarm intelligence approach. IEEE Access, 2021, vol. 9, pp. 48010–48022. https://doi.org/10.1109/ACCESS.2021.3064905

[9] Liu Y. et al. A Survey of Multi-Agent Systems on Distributed Formation Control. Unmanned Systems, 2023, pp. 1–14. https://doi.org/10.1142/S2301385024500274

[10] Poudel S., Moh S. Task assignment algorithms for unmanned aerial vehicle networks: A comprehensive survey. Vehicular Communications, 2022, vol. 35, art. 100469. https://doi.org/10.1016/j.vehcom.2022.100469

[11] Sargolzaei A., Abbaspour A., Crane C. D. Control of cooperative unmanned aerial vehicles: review of applications, challenges, and algorithms. Optimization, Learning, and Control for Interdependent Complex Networks, 2020, pp. 229–255. https://doi.org/10.48550/arXiv.1908.02789

[12] Tang J., Duan H., Lao S. Swarm intelligence algorithms for multiple unmanned aerial vehicles collaboration: A comprehensive review. Artificial Intelligence Review, 2023, vol. 56, no. 5, pp. 4295–4327. https://doi.org/10.1007/s10462-022-10281-7

[13] Azar A.T. et al. Drone deep reinforcement learning: A review. Electronics, 2021, vol. 10, no. 9, art. 999. https://doi.org/10.3390/electronics10090999

[14] Luong P. et al. Deep reinforcement learning-based resource allocation in cooperative UAV-assisted wireless networks. IEEE Transactions on Wireless Communications, 2021, vol. 20, no. 11, pp. 7610–7625. https://doi.org/10.1109/TWC.2021.3086503

[15] Taha B., Shoufan A. Machine learning-based drone detection and classification: State-of-the-art in research. IEEE access, 2019, vol. 7, pp. 138669–138682. https://doi.org/10.1109/ACCESS.2019.2942944

[16] Soori M., Arezoo B., Dastres R. Artificial intelligence, machine learning and deep learning in advanced robotics, a review. Cognitive Robotics, 2023. https://doi.org/10.1016/j.cogr.2023.04.001

[17] Zhang K., Yang Z., Ba?ar T. Multi-agent reinforcement learning: A selective overview of theories and algorithms. Handbook of Reinforcement Learning and Control, 2021, pp. 321–384. https://doi.org/10.48550/arXiv.1911.10635