Plangenerierung in Multi-Agent-Simulationen

Multi-Agent Simulationen, die z. B. den Verkehr einer Grossstadt oder eines ganzen Landes simulieren, bestehen aus verschiedenen Modulen wie etwa Bedürfnisgenerierung, Wegwahl oder Verkehrs-Mikrosimulation. Eines dieser Module generiert für jeden Agenten einen individuellen Tagesplan, der aus einer Abfolge von täglichen Aktivitäten besteht. Oft werden die Tagespläne für einen Tag im Voraus festgelegt und dann unabhängig von eventuellen Ereignissen abgearbeitet. Dies ist jedoch unrealistisch, da in der Wirklichkeit ein Tagesplan ständig der gegebenen Situation angepasst wird. So können Aktivitäten als Reaktion auf einen Verkehrsstau verlängert, verkürzt oder gar ganz weggelassen werden. In diesem Buch werden zwei Methoden der künstlichen Intelligenz auf ihre Tauglichkeit untersucht, solche flexiblen Tagespläne zu generieren. Beim Q-Learning wird für jeden möglichen Zustand die optimale Aktion erlernt, während die Learning Classifier Systems Regeln erzeugen, die für grössere Zustandsmengen die beste Aktion ermitteln. Das Buch richtet sich an Wissenschaftler und Studierende, die realistische Multi-Agent Simulationen durchführen möchten bzw. schon vorhandene Simulationen verbessern wollen. Obwohl sich das Buch speziell auf Verkehrssimulationen bezieht, lassen sich die Ergebnisse leicht auch in anderen Simulationen anwenden.