Plangenerierung in Multi-Agent Simulationen

Inhaltlich unvernderte Neuauflage. Multi-Agent Simulationen, die z.B. den Verkehr einer Grossstadt oder eines ganzen Landes simulieren, bestehen aus verschiedenen Modulen wie etwa Bedrfnisgenerierung, Wegwahl oder Verkehrs-Mikrosimulation. Eines dieser Module generiert fr jeden Agenten einen individuellen Tagesplan, der aus einer Abfolge von tglichen Aktivitten besteht. Oft werden die Tagesplne fr einen Tag im Voraus festgelegt und dann unabhngig von eventuellen Ereignissen abgearbeitet. Dies ist jedoch unrealistisch, da in der Wirklichkeit ein Tagesplan stndig der gegebenen Situation angepasst wird. So knnen Aktivitten als Reaktion auf einen Verkehrsstau verlngert, verkrzt oder gar ganz weggelassen werden. In diesem Buch werden zwei Methoden der knstlichen Intelligenz auf ihre Tauglichkeit untersucht, solche flexiblen Tagesplne zu generieren. Beim Q-Learning wird fr jeden mglichen Zustand die optimale Aktion erlernt, whrend die Learning Classifier Systems Regeln erzeugen, die fr grssere Zustandsmengen die beste Aktion ermitteln. Das Buch richtet sich an Wissenschaftler und Studierende, die realistische Multi-Agent Simulationen durchfhren mchten bzw. schon vorhandene Simulationen verbessern wollen. Obwohl sich das Buch speziell auf Verkehrssimulationen bezieht, lassen sich die Ergebnisse leicht auch in anderen Simulationen anwenden.