في عالم الذكاء الاصطناعي، يعتبر التعلم المعزز المتعدد الوكلاء (CMARL) تحديًا حقيقيًا يتطلب حلولًا مبتكرة، وذلك بسبب النمو المتزايد في مساحة الأفعال المشتركة مع زيادة عدد الوكلاء. ولكن، ما هو الحل؟ هنا يأتي دور الجداول التنسيقية (Coordination Graphs)، وهي إطار عمل حديث مفيد جدًا في معالجة هذه التحديات.

يعمل نموذج الجداول التنسيقية CG-CMARL على تحليل المشكلة المشتركة إلى مناطق ثنائية، حيث يتم استخدام مجموعة من دوال Q المشتركة – واحدة للهدف الرئيسي وواحدة لكل قيد. هذا النهج يساعد على تقليل عدد النماذج المتعلمة مما يجعله مستقلًا عن عدد الوكلاء، مما يؤدي إلى تحسين كبير في الكفاءة.

أثناء تنفيذ النظام، يتم استخدام تقنية تمرير الرسائل ماكس-سوم Max-Sum لتنسيق الأفعال عبر الرسم البياني، بينما يتحكم معامل لاغرانج في توازن الهدف مقابل القيود. والأكثر إثارة هو أن هذا النموذج المدرب يمكنه تتبع جبهة باريتو (Pareto front) دون الحاجة إلى إعادة التدريب، مما يوفر الوقت والجهد.

تجاربنا على مهام التنقل التعاوني، حيث يتوجب على فرق تصل إلى 10 وكلاء التنسيق للوصول إلى مواقع مستهدفة مع مراعاة قيود ثنائية، قد أثبتت أن طريقتنا تتفوق على الأساليب التقليدية المدربة على نسب ثابتة من المكافآت، مما يعكس كفاءة عالية عندما تصبح الأساليب المركزية صعبة التنفيذ.

إذا كنت مهتمًا بالمستقبل المثير للتعلم المعزز المتعدد الوكلاء، فلا تتردد في الانغماس أكثر في تفاصيل هذه الأبحاث الجديدة التي تعد بتغيير اللعبة! ما رأيكم في هذا التطور؟ شاركونا في التعليقات.