Control of Autonomous Multi-Agent Systems - PART 1

Docente: Prof. Francesco Delli Priscoli

This is Part 1 of Control of Autonomous Multi-Agent Systems, a two-part course for the students of the Master in Control Engineering (MCER) at Sapienza University of Rome.

• Obiettivi formativi:
  Il corso presenta i metodi di base per la modellazione, l'analisi e il controllo dei sistemi multi-agente, con particolare attenzione alle strategie di controllo distribuite. Saranno presentate applicazioni nel controllo di reti di comunicazione e di energia, nonché di sistemi multi-robot.

• Risultati di apprendimento attesi:
  Lo studente sarà in grado di analizzare e progettare architetture, algoritmi e moduli per il controllo di sistemi multiagente.

• Programma dell'insegnamento:
  Introduzione: Esempi di scenari multi-agente in reti di comunicazione e di distribuzione di energia. Confronto tra architetture centralizzate e distribuite. Reti multi-agente con scambi di informazioni limitate o nulle tra agenti. Panoramica sulle metodologie di apprendimento (in particolare, Reinforcement Learning), sulla teoria dei giochi, sulla negoziazione, sulle aste, sul filtraggio di Kalman. Il comportamento di queste metodologie in contesti multi-agente distribuiti (ad esempio, il comportamento delle tecniche di Reinforcement Learning in un contesto distribuito, il filtraggio di Kalman distribuito). Applicazione a specifici scenari multi-agente (ad esempio, tecniche di Reinforcement Learning per il controllo della Quality of Experience, filtraggio distribuito di Kalman per reti di sensori).
  

• Testi di riferimento:
  M. Vidal, "Fundamentals of Multiagent Systems," 2011.
  Materiale a cura del docente.

  ---

• Obiettivi formativi (Inglese):
  The course presents the basic methods for modeling, analyzing and controlling multi-agent systems, with special emphasis on distributed strategies. Applications will be presented in the control of communication and electrical networks as well as of multi-robot systems.

• Risultati di apprendimento attesi (Inglese):
  The student will be able to analyze and design architectures, algorithms, and modules for controlling multi-agent systems.

• Programma dell'insegnamento (Inglese):
  Introduction: Examples of multi-agent scenarios in the communication and energy networks. Centralized vs. decentralized architectures. Multi-agent networks with limited or no information exchanges among agents. Overview of learning methodologies (in particular, Reinforcement Learning), game theory, negotiation, auctions, Kalman filtering. Behavior of these methodologies in distributed multi-agent frameworks (e.g., behavior of Reinforcement Learning techniques in a distributed framework, Distributed Kalman Filtering). Application to specific multi-agent scenarios (e.g, Reinforcement Learning techniques for Quality of Experience control, Distributed Kalman Filtering for sensor networks).