Программный компонент для реализации функции наград в мультиагентной системе составления расписания в реальном времени с независимой оценкой

Программа представляет собой симуляционную среду с заданным набором действий, состояний и функцией наград для обучения агентов искусственного интеллекта планированию совместного использования ресурсов. В обмен на пару состояние и действие среда возвращает агенту награду и определяет функцию перехода в следующее состояние. Среда поддерживает симуляцию одновременной работы нескольких агентов. В процессе обучения в среде участники извлекают оптимальные или субоптимальные эвристики коллективного поведения, которые можно передать новым агентам того же типа посредством дистилляции знаний. Цель среды – предоставить исследователям в области обучения с подкреплением платформу для численных экспериментов в области оптимизации расписаний коллективного использования ограниченных ресурсов.