Game-Theoretic Learning and Distributed Optimization in Memoryless Multi-Agent Systems (eBook)
IX, 171 Seiten
Springer International Publishing (Verlag)
978-3-319-65479-9 (ISBN)
This book presents new efficient methods for optimization in realistic large-scale, multi-agent systems. These methods do not require the agents to have the full information about the system, but instead allow them to make their local decisions based only on the local information, possibly obtained during communication with their local neighbors. The book, primarily aimed at researchers in optimization and control, considers three different information settings in multi-agent systems: oracle-based, communication-based, and payoff-based. For each of these information types, an efficient optimization algorithm is developed, which leads the system to an optimal state. The optimization problems are set without such restrictive assumptions as convexity of the objective functions, complicated communication topologies, closed-form expressions for costs and utilities, and finiteness of the system's state space.
Tatiana Tatarenko received her Ph.D. from the Control Methods and Robotics Lab at the Technical University of Darmstadt, Germany in 2017. In 2011, she graduated with honors in Mathematics, focusing on statistics and stochastic processes, from Lomonosov Moscow State University, Russia. Her main research interests are in the fields of distributed optimization, game-theoretic learning, and stochastic processes in networked multi-agent systems. Currently, Dr. Tatarenko is a research assistant at TU Darmstadt, where she teaches and supervises students.
Introduction and Research Motivation.- Backgrounds and Formulation of Contributions.- Logit Dynamics in Potential Games with Memoryless Players.- Stochastic Methods in Distributed Optimization and Game-Theoretic Learning.- Conclusion.- Appendix.
| Erscheint lt. Verlag | 19.9.2017 |
|---|---|
| Zusatzinfo | IX, 171 p. 38 illus. |
| Verlagsort | Cham |
| Sprache | englisch |
| Themenwelt | Mathematik / Informatik ► Mathematik ► Statistik |
| Schlagworte | consensus-based algorithms • Distributed Optimization • game-theoretic approach to optimization • game-theoretic learning • Game Theory • Learning Algorithms • multi-agent optimization • potential games • stochastic methods |
| ISBN-10 | 3-319-65479-9 / 3319654799 |
| ISBN-13 | 978-3-319-65479-9 / 9783319654799 |
| Haben Sie eine Frage zum Produkt? |
PDF (Wasserzeichen)Größe: 3,8 MB
DRM: Digitales Wasserzeichen
Dieses eBook enthält ein digitales Wasserzeichen und ist damit für Sie personalisiert. Bei einer missbräuchlichen Weitergabe des eBooks an Dritte ist eine Rückverfolgung an die Quelle möglich.
Dateiformat: PDF (Portable Document Format)
Mit einem festen Seitenlayout eignet sich die PDF besonders für Fachbücher mit Spalten, Tabellen und Abbildungen. Eine PDF kann auf fast allen Geräten angezeigt werden, ist aber für kleine Displays (Smartphone, eReader) nur eingeschränkt geeignet.
Systemvoraussetzungen:
PC/Mac: Mit einem PC oder Mac können Sie dieses eBook lesen. Sie benötigen dafür einen PDF-Viewer - z.B. den Adobe Reader oder Adobe Digital Editions.
eReader: Dieses eBook kann mit (fast) allen eBook-Readern gelesen werden. Mit dem amazon-Kindle ist es aber nicht kompatibel.
Smartphone/Tablet: Egal ob Apple oder Android, dieses eBook können Sie lesen. Sie benötigen dafür einen PDF-Viewer - z.B. die kostenlose Adobe Digital Editions-App.
Buying eBooks from abroad
For tax law reasons we can sell eBooks just within Germany and Switzerland. Regrettably we cannot fulfill eBook-orders from other countries.
aus dem Bereich
