• Produktbild: Adaptation and Learning in Multi-Agent Systems
  • Produktbild: Adaptation and Learning in Multi-Agent Systems

Adaptation and Learning in Multi-Agent Systems IJCAI' 95 Workshop, Montreal, Canada, August 21, 1995. Proceedings.

47,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Lieferung nach Hause

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

27.02.1996

Herausgeber

Gerhard Weiss + weitere

Verlag

Springer Berlin

Seitenzahl

568

Maße (L/B/H)

23,5/15,5/1,5 cm

Gewicht

394 g

Auflage

1996

Sprache

Englisch

ISBN

978-3-540-60923-0

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

27.02.1996

Herausgeber

Verlag

Springer Berlin

Seitenzahl

568

Maße (L/B/H)

23,5/15,5/1,5 cm

Gewicht

394 g

Auflage

1996

Sprache

Englisch

ISBN

978-3-540-60923-0

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: ProductSafety@springernature.com

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern

  • Produktbild: Adaptation and Learning in Multi-Agent Systems
  • Produktbild: Adaptation and Learning in Multi-Agent Systems
  • Adaptation and learning in multi-agent systems: Some remarks and a bibliography.- Refinement in agent groups.- Opponent modeling in multi-agent systems.- A multi-agent environment for department of defense distribution.- Mutually supervised learning in multiagent systems.- A framework for distributed reinforcement learning.- Evolving behavioral strategies in predators and prey.- To learn or not to learn .......- A user-adaptive interface agency for interaction with a virtual environment.- Learning in multi-robot systems.- Learn your opponent's strategy (in polynomial time)!.- Learning to reduce communication cost on task negotiation among multiple autonomous mobile robots.- On multiagent Q-learning in a semi-competitive domain.- Using reciprocity to adapt to others.- Multiagent coordination with learning classifier systems.