|
早稲田大学
菅原 俊治
教授
機関別共同研究
Discovery Saga
論文分野別Discovery Saga
研究テーマDiscovery Saga
協賛企業
共同研究先:National Institute of Informatics
Academic
共同研究数 2
Conference Paper
2007
IEEE : Institute of Electrical and Electronics Engineers
Dependency of network structures in agent selection and deployment
(Last author)
エージェントの選択と配置におけるネットワーク構造の依存性
Kensuke Fukuda, Toshio Hirotsu, Satoshi Kurihara, Shin Ya Sato, Osamu Akashi, Toshiharu Sugawara
【抄録】
This paper shows that the statistical properties of the network topology are indispensable information for improving performance of multi-agent systems (MASs), though they have not received much attention in previous MAS research. In particular we focus on the applicability of the degree of an agent-the number of links among neighboring agentsto load-balancing for the agent selection and deployment problem. The proposed selection algorithm does not need global information about the network structure and only requires the degree of a server agent and the degrees of the nodes neighboring the server agent. Through simulation of several topologies reproduced by the theoretical network models, we show that the use of the local topological information significantly improves the fairness of the servers even for a large-scale network. We also find that the key mechanisms for load-balancing in a given network topology are highly asymmetric degree characteristics (scalefree) and the negative degree correlation. © 2006 IEEE.
【抄録日本語訳】
本論文では、これまでのMAS研究においてあまり注目されてこなかったネットワークトポロジの統計的性質が、マルチエージェントシステム(MAS)の性能を向上させるために不可欠な情報であることを示す。特に、エージェントの次数(隣接するエージェント間のリンク数)が、エージェント選択と配置問題の負荷分散に適用できることに注目する。提案する選択アルゴリズムは、ネットワーク構造に関するグローバルな情報を必要とせず、サーバエージェントの次数と、サーバエージェントに隣接するノードの次数のみを必要とする。理論的なネットワークモデルによって再現されたいくつかのトポロジーのシミュレーションを通して、局所的なトポロジー情報の利用が大規模ネットワークに対してもサーバの公平性を著しく向上させることを示す。また、与えられたネットワークトポロジーにおける負荷分散の重要なメカニズムは、高度に非対称な次数特性(スケールフリー)と負の次数相関であることを見出した。© 2006 IEEE.
Conference Paper
2007
IEEE : Institute of Electrical and Electronics Engineers
Multi-agent systems performance by adaptive/non-adaptive agent selection
(First author)
適応・非適応エージェント選択によるマルチエージェントシステムの性能向上
Toshiharu Sugawara, Kensuke Fukuda, Toshio Hirotsu, Shin Ya Sato, Satoshi Kurihara
【抄録】
Our research interest lies in studing how local strategies about partner agent selection using reinforcement learning with variable exploitation-versus- exploration parameters influence the overall efficiency of multi-agent systems (MAS). An agent often has to select appropriate agents to assign tasks that are not locally executable. Unfortunately no agent in an open environment can understand the all states of all agents, so this selection must be done according to local information. In this paper we investigate how the overall performance of MAS is affected by their individual learning parameters for adaptive partner selections for collaboration. We show experimental results using simulation and discuss why the overall performance of MAS varies. © 2006 IEEE.
【抄録日本語訳】
私たちの研究テーマは、強化学習を用いたパートナーエージェント選択の局所戦略が、マルチエージェントシステム(MAS)の全体的な効率にどのような影響を与えるかを研究することである。エージェントはしばしば、局所的に実行不可能なタスクを割り当てるために適切なエージェントを選択しなければならない。残念ながら、オープンな環境にいるエージェントは全てのエージェントの状態を理解することができないため、この選択は局所的な情報に従って行わなければならない。本論文では、協調のための適応的なパートナー選択において、MASの全体的な性能が個々の学習パラメータにどのように影響されるかを調査する。シミュレーションによる実験結果を示し、MASの全体的な性能が変化する理由について考察する。© 2006 IEEE.