Riassunto analitico
La gestione dei flussi di veicoli attraverso l'uso di semafori intelligenti che si adattano alla situazione stradale è un obiettivo sia ambizioso da raggiungere, ma anche complesso se si considera l'imprevedibilità del traffico e i diversi obiettivi che un semaforo può raggiungere. Tuttavia, il Multiagent Reinforcement Learning (MARL) rappresenta uno degli approcci più utilizzati per risolvere questo particolare problema. In questa tesi , dopo aver ripreso i concetti teorici dell'argomento, si analizzano e confrontano varie strategie di learning che si possono adottare in reti stradali . Infine , si confrontano questi risultati con quelli ottenuti simulando uno scenario attuale con semafori standard.
|