Gesponsert von Refly.ai - Refly.AI ermöglicht nicht‑technischen Kreativen, Arbeitsabläufe mit natürlicher Sprache und einer visuellen Leinwand zu automatisieren.
Refly.ai - Refly.AI ermöglicht nicht‑technischen Kreativen, Arbeitsabläufe mit natürlicher Sprache und einer visuellen Leinwand zu automatisieren.
icon
KI-Tools KI-Agenten MCP KI-NewsRanking Einreichen & Werben
Anmelden

algorithm benchmarking

  • Cooperative Search Environment

    Eine auf Python basierende Multi-Agenten-Verstärkungslern-Umgebung für kooperative Suchaufgaben mit konfigurierbarer Kommunikation und Belohnungen.
    0
    0
    Was ist Cooperative Search Environment?
    Die Cooperative Search Environment bietet eine flexible, gym-kompatible Multi-Agent-Verstärkungslern-Umgebung, die auf kooperative Suchaufgaben sowohl in diskreten Raster- als auch in kontinuierlichen Räumen zugeschnitten ist. Agenten arbeiten unter Teilbeobachtung und können Informationen basierend auf anpassbaren Kommunikationstopologien teilen. Das Framework unterstützt vordefinierte Szenarien wie Such- und Rettungsaktionen, dynamische Zielverfolgung und kollaborative Kartierung, mit APIs zum Definieren benutzerdefinierter Umgebungen und Belohnungsstrukturen. Es integriert sich nahtlos mit beliebten RL-Bibliotheken wie Stable Baselines3 und Ray RLlib, beinhaltet Logging-Utilities zur Leistungsanalyse und bietet integrierte Visualisierungstools für die Echtzeitüberwachung. Forscher können Rastergrößen, Agentenzahlen, Sensorspektren und Belohnungsteilmechanismen anpassen, um Koordinationsstrategien zu bewerten und neue Algorithmen effektiv zu benchmarken.
    Cooperative Search Environment Hauptfunktionen
    • Gym-kompatible Multi-Agent-Umgebung
    • Konfigurierbare Raster- und Kontinuumszenarien
    • Teilbeobachtung und anpassbare Kommunikationstopologien
    • Anpassbare Belohungsmechanismen
    • Integration mit Stable Baselines3 und Ray RLlib

  • Multi-Agent Miners

    Eine RL-Umgebung, die mehrere kooperative und kompetitive Agentenminenarbeiter simuliert, die Ressourcen in einer rasterbasierten Welt für Multi-Agenten-Lernen sammeln.
    0
    0
    Was ist Multi-Agent Miners?
    Multi-Agent Miners bietet eine Rasterwelt-Umgebung, in der mehrere autonome Miner-Agenten navigieren, graben und Ressourcen sammeln, während sie miteinander interagieren. Es unterstützt konfigurierbare Karten, Agentenzahlen und Belohnungsstrukturen, sodass Benutzer Wettbewerbs- oder Kooperationsszenarien erstellen können. Das Framework integriert sich mit beliebten RL-Bibliotheken über PettingZoo und bietet standardisierte APIs für Reset-, Schritt- und Rendering-Funktionen. Visualisierungsmodi und Logging-Unterstützung helfen, Verhaltensweisen und Ergebnisse zu analysieren, was es ideal für Forschung, Bildung und Algorithmus-Benchmarking in Multi-Agenten-Verstärkungslernen macht.

  • AutoDRIVE Cooperative MARL

    Eine Open-Source-Mult-Agenten-Verstärkendes Lernen-Framework für die kooperative autonome Fahrzeugsteuerung in Verkehrsszenarien.
    0
    0
    Was ist AutoDRIVE Cooperative MARL?
    AutoDRIVE Cooperative MARL ist ein Open-Source-Framework, das entwickelt wurde, um kooperative Multi-Agenten-Verstärkendes Lernen (MARL)-Politiken für autonome Fahraufgaben zu trainieren und zu deployen. Es integriert sich mit realistischen Simulatoren zur Modellierung von Verkehrsszenarien wie Kreuzungen, Autobahn-Platooning und Merging. Das Framework implementiert zentrales Training mit dezenter Ausführung, sodass Fahrzeuge gemeinsam erlernte Politiken nutzen können, um die allgemeine Verkehrseffizienz und Sicherheit zu maximieren. Benutzer können Umgebungsparameter konfigurieren, aus Baseline-MARL-Algorithmen auswählen, den Trainingsfortschritt visualisieren und die Koordination der Agenten benchmarken.
Ausgewählt