English(EN) Decentralized Multi-agent Reinforcement Learning for Resilient Critical Infrastructures

提出用于弹性关键基础设施的去中心化MARL · 跟踪2个来源

作者 PulseAugur 编辑部 · [2 个来源] · 2026-07-20 12:43

本文提出将去中心化多智能体强化学习（MARL）作为一种增强关键基础设施弹性的范式。文章认为，MARL的扩展性、隐私性、鲁棒性和自适应交互等特性，非常符合复杂分布式系统的需求。研究强调了信用分配和通信是这些环境中实际部署MARL的关键挑战，并概述了解决这些问题的未来研究议程。 AI

影响这项研究可能为电网和交通网络等基本服务的控制系统带来更强的鲁棒性和自适应性。

排序理由该集群包含两篇讨论同一研究主题的相同arXiv论文。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.LG TIER_1 English(EN) · Minghui Ding, Evangelos Pournaras · 2026-07-22 04:00

面向韧性关键基础设施的去中心化多智能体强化学习

arXiv:2607.18359v1 Announce Type: cross Abstract: Critical infrastructures are increasingly distributed, interdependent, and exposed to evolving disruptions, making resilience a central requirement for their operation and control. This paper argues that decentralized multi-agent …
arXiv cs.MA (Multiagent) TIER_1 English(EN) · Evangelos Pournaras · 2026-07-20 12:43

面向韧性关键基础设施的去中心化多智能体强化学习

Critical infrastructures are increasingly distributed, interdependent, and exposed to evolving disruptions, making resilience a central requirement for their operation and control. This paper argues that decentralized multi-agent reinforcement learning (MARL) should be understood…