Le mécanisme d'apprentissage
des classeurs implique que l'agent « pense » être le seul
à modifier son environnement. Ceci pose naturellement problème
pour notre application multi-agents. La problématique de recherche
consiste en l'adaptation des LCS aux environnements multi-agents, tout en
bénéficiant de leurs caractéristiques propres. La direction
de recherche choisie ici est de conjuguer la méthode de méta-apprentissage,
conçue par J. Schmidhuber, avec les systèmes de classeurs.
Nous nous attacherons dans cette étude à expérimenter
cette direction de recherche sur des problèmes classiques résolus
par les LCS, dans le futur but de l'appliquer au projet MAAM.
Plusieurs études sur ce thème :
2002.
N. Calenge
, Processus décisionnels de Markov Multi-agents,
2003.
E. Livolant
, Apprentissage Multi-Agents par Systèmes de Classeurs : Ètude
préliminaire
2004.
M. Piel
, Un outil de modélisation et d'analyse de systèmes de classeurs
mono et multi-agents
2004.
O. Sagit
, Robotique reconfigurable et Apprentissage par Renforcement
2004.
T. Gonos
, Apprentissage de la locomotion par système de classeurs pour les
atomes robotiques du projet MAAM
Approche réactive
Le sujet vise a trouver un comportement élémentaire identique
pour tous les atomes afin que le système entier puisse se reconfigurer
en fonction d'attracteur de l'environnement.
