Insegnamento mutuato da: B028335 - SISTEMI MULTIAGENTE Laurea Magistrale in INGEGNERIA ELETTRICA E DELL'AUTOMAZIONE Curriculum INGEGNERIA ELETTRICA
Lingua Insegnamento
ITALIANO
Contenuto del corso
Gli argomenti trattati comprendono: modelli di sistemi multi-agente, algoritmi distribuiti di controllo ed elaborazione dei dati, reinforcement learning, applicazioni (reti di sensori, sistemi multi-robot, controllo di formazione, apprendimento automatico su reti, ecc.).
Obiettivi Formativi
Il corso mira a fornire metodologie per modellare, analizzare e progettare sistemi di agenti autonomi intelligenti in grado di svolgere compiti complessi, anche tenendo conto di:
-agenti fisici e virtuali (processori, software, sensori, veicoli autonomi, robot, ecc.);
- un elevato numero di agenti, anche non omogenei, interconnessi tra loro;
- un’informazione non centralizzata ma locale.
Prerequisiti
Fondamenti di automatica.
Metodi Didattici
Lezioni e esercitazioni in aula. Seminari di approfondimento.
Modalità di verifica apprendimento
Prova orale e/o elaborato.
Programma del corso
1. INTRODUZIONE AI SISTEMI MULTI-AGENTE
Che cos'è un sistema multi-agente. Coordinamento e competizione nei sistemi multi-agente. Esempi di sistemi multi-agente nella scienza e nell'ingegneria.
2. ELEMENTI DI TEORIA DEI GRAFI
Connettività di un grafo. Laplaciano di un grafo: proprietà e applicazioni (partizionamento di un grafo, clustering spettrale).
3. SINCRONIZZAZIONE E COORDINAMENTO NEI SISTEMI MULTI-AGENTE
Consenso per grafi indiretti e diretti. Applicazioni (reti sociali, calcolo distribuito). Funzioni di Lyapunov e sistemi a gradiente. Sincronizzazione e coordinamento basati su funzioni di Lyapunov.
4. SISTEMI MULTI_ROBOT
Modelli di robot mobili. Algoritmi di coordinamento per il controllo di formazione. Mantenimento della connettività e prevenzione delle collisioni. Problemi di covering e esplorazione.
5. TECNICHE DI OTTIMIZZAZIONE E APPRENDIMENTO AUTOMATICO PER SISTEMI MULTI-AGENTE
Elementi di ottimizzazione e apprendimento automatico. Ottimizzazione distribuita su reti. I minimi-quadrati distribuiti. Algoritmi di regressione distribuita su reti.
6. FUSIONE DELL'INFORMAZIONE NEI SISTEMI MULTI-AGENTE
Elementi di stima Bayesiana e fusione dell'informazione. Reti di sensori e stima distribuita. Il filtro di Kalman distribuito. Applicazioni.
7. REINFORCEMENTE LEARNING
Programmazione dinamica stocastica. Programmazone dinamica approssimata: gli algoritmi di value e policy iteration. Reinforcement learning: algoritmi time-difference e Q-learning. Reinforcement learning nei sistemi multi-agente.