<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Дослідження сценаріїв кооперативного навчання координаторів розподілених систем

Завантаження...
Ескіз

Дата

Науковий керівник

Редактор

Інші учасники

Відповідальний

ORCID

Назва журналу

Номер ISSN

Назва тому

DOI

Альтернативна назва

Анотація

Опис

УДК

Тип документа

Мова

ISSN

Серія, номер

ISBN

ББК

Інші ідентифікатори

Пов’язані матеріали

Спонсорська підтримка

Правовласник

Бібліографічний опис

Dubovoi V. M., Dzyubenko Y. V., Yukhymchuk M. S. Дослідження сценаріїв кооперативного навчання координаторів розподілених систем // Матеріали XVII Міжнародної конференції «Контроль і управління в складних системах (КУСС-2024)», м. Вінниця, 16-17 жовтня 2024 р. Електрон. текст. дані. 2024. URI: https://conferences.vntu.edu.ua/index.php/mccs/mccs2024/paper/view/22068.

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (1)

  1. [1] Boyd S. Linear matrix inequalities in system and control theory. Philadelphia, Boyd S, El Ghaoui L., Feron E., Balakrishnan V PA: SIAM, 1994. P.205 [2] Siljak D.D. Robust stabilization of nonlinear systems: the LMI approach. Siljak D.D., Stipanovic D.M // Math. Prob. Eng. 2000. V. 6. P. 461 – 493. [3] Elmahdi, Ahmed & Taha, Ahmad & Sun, Dengfeng & Panchal, Jitesh. (2014). Decentralized Control Framework and Stability Analysis for Networked Control Systems. Journal of Dynamic Systems Measurement and Control. 137. 10.1115/1.4028789. [4] Mirkin B.M. A new decentralized model reference adaptive control scheme for large scale systems // Mirkin B.M.. In Prepr. 4th IFAC International Symposium on Adaptive systems in control and signal processing, Grenoble, France. 1992. P. 645 – 650 [5] H. Jiang, X. -K. Liu, H. He, C. Yuan and D. Prokhorov, "Neural Network Based Distributed Consensus Control for Heterogeneous Multi-agent Systems," 2018 Annual American Control Conference (ACC), Milwaukee, WI, USA, 2018, pp. 51755180, doi: 10.23919/ACC.2018.8431744. [6] Model-based Multi-agent Policy Optimization with Adaptive Opponent-wise Rollouts. Weinan Zhang , Xihuai Wang , Jian Shen , Ming Zhou (2021)Machine Learning (cs.LG) arXiv:2105.03363 https://doi.org/10.48550/arXiv.2105.03363 [7] Wang, Xihuai, Zhicheng Zhang and Weinan Zhang. “Model-based Multi-agent Reinforcement Learning: Recent Progress and Prospects.” ArXiv abs/2203.10603 (2022): n. pag. url https://api.semanticscholar.org/CorpusID:247594411 [8] Ali Akramizadeh, Ahmad Afshar, Mohammad -B Menhaj, Samira Jafari. Model-based Reinforcement Learning in Multiagent Systems in Extensive Forms with Perfect Information, IFAC Proceedings Volumes, Volume 43, Issue 8, 2010, Pages 487-494, ISSN 1474-6670, https://doi.org/10.3182/20100712-3-FR-2020.00080. [9] Chen, M.; Poor, H.V.; Saad, W.; Cui, S. Wireless Communications for Collaborative Federated Learning. IEEE Commun. Mag. 2020, 58, 48–54. [CrossRef] [10] A. Elgabli, et al. “GADMM: Fast and communication efficient framework for distributed machine learning,” J. Mach. Learn. Res., vol. 21, no. 76, pp. 1–39, Mar. 2020. [11] Yukhymchuk M., Dubovoi V., Kovtun V. Decentralized Coordination of Temperature Control in Multiarea Premises, Complexity, vol. 2022, Article ID 2588364, 18 pages, 2022. https://doi.org/10.1155/2022/2588364