Aprendizaje por Refuerzo Colaborativo en Agentes Heterogéneos para Tareas Complejas

Abstract

Este trabajo introduce un enfoque novedoso para el Aprendizaje por Refuerzo Colaborativo entre agentes heterogéneos. El estudio se centra en cómo agentes con diferentes capacidades, arquitecturas y objetivos pueden coordinarse de manera eficiente en tareas compartidas. Propone un protocolo de comunicación optimizado y una estructura de recompensa compartida que mitiga los conflictos de intereses entre agentes, permitiendo una colaboración fluida en entornos dinámicos. Es altamente relevante para la creación de enjambres de agentes autónomos que deben interactuar con modelos de mundo para la resolución de problemas espaciales o logísticos.