Multiagentersystem och koordinering i Python Träningskurs

Introduktion till multiagentersystem

• Översikt över agenter, miljöer och interaktionsmodeller
• Samarbete, konkurrens och autonomi i agentsystem
• Tillämpningar inom logistik, robotik och beslutsfattande

Grundläggande koncept i agentarkitektur

• Reaktiva vs. deliberativa agenter
• Kommunikationsprotokoll och koordineringsmodeller
• Kunskapsrepresentation och delat tillstånd

Implementering av agenter i Python

• Byggning av agenter med ramverket Mesa
• Modellerande av miljöer och interaktioner
• Simulering av agentbeteende och visualisering

Koordinering och kommunikation

• Meddelandeskickning och arkitekturer med delat minne
• Förhandling, konsensus och uppgiftsallokering
• Koordineringsalgoritmer (kontrakttnet, marknadsbaserade, svärmmodeller)

Lärande och anpassning i multiagentersystem

• Förstärkningstillärande för flera agenter
• Kooperativ vs. konkurrenskraftig lärdynamik
• Användning av PettingZoo och Stable-Baselines3 för MARL

Distribuerad beräkning och skalbarhet

• Användning av Ray för distribuerade multiagentsimuleringar
• Hantering av konkurrens och synkronisering
• Parallellisering av beräkningar och hantering av gemensamma resurser

Samarbete mellan människor och agenter

• Design av gränssnitt för mänsklig medverkan i koordinering
• Hybridarbetsflöden med AI-stöd för beslutsfattande
• Ethiska och operativa överväganden

Slutprojekt

• Designa och implementera ett multiagentersystem i Python
• Demonstrera koordinering och lärande mellan agenter
• Presentera simuleringss resultat och insikter om prestanda

Sammanfattning och nästa steg