| Campo Dublin Core | Valor | Língua |
|---|
| dc.contributor.advisor | Ralha, Célia Ghedini | - |
| dc.contributor.author | Nascimento, Guilherme Mendel de Almeida | - |
| dc.identifier.citation | NASCIMENTO, Guilherme Mendel de Almeida. Integrating deep reinforcement learning to GAMA platform with a multi-agent model of common-pool resource appropriation. 2023. 16 f., il. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) — Universidade de Brasília, Brasília, 2023. | pt_BR |
| dc.description | Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2023. | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject.keyword | Aprendizado por reforço | pt_BR |
| dc.subject.keyword | Sistema multiagente | pt_BR |
| dc.title | Integrating deep reinforcement learning to GAMA platform with a multi-agent model of common-pool resource appropriation | pt_BR |
| dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
| dc.date.accessioned | 2023-12-07T11:15:46Z | - |
| dc.date.available | 2023-12-07T11:15:46Z | - |
| dc.date.submitted | 2023-02-16 | - |
| dc.identifier.uri | https://bdm.unb.br/handle/10483/37000 | - |
| dc.language.iso | Inglês | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. | pt_BR |
| dc.description.abstract1 | Exploratory agent-based simulations are a challenging investigative area for modeling societies. Natural resource systems used by multiple agents in a society can be classified as common-pool resources.
Despite a broad agreement that multi-agent models of common-pool re source appropriation are accurate representations of aspects of human behavior, models of independent learning agents in complex real-time environments (e.g., game-like) are underrepresented within the repertoire of solutions available to agent-based simulation developers. To address this, we present the integration of deep reinforcement learning (DRL)
algorithms to the well-known GAMA simulation platform, illustrated with a multi-agent model of common-pool resource appropriation called The Commons Game. This integration is implemented using an external WebSocket server to provide an interface for the execution of DRL algorithms. Our work aims to contribute to agent-based simulation developers that use the GAMA platform with models of learning agents. | pt_BR |
| Aparece na Coleção: | Ciência da Computação
|
