Routing in a Sparse Graph: a Distributed Q-Learning Approach

Artykuł przedstawia podejście oparte na rozproszonym Q-learningu do znajdowania optymalnych ścieżek w rzadkich grafach skierowanych z kosztami. Algorytm dzieli problem na wiele agentów, gdzie każdy węzeł grafu jest agentem uczącym się własnej macierzy Q. Pozwala to na efektywne skalowanie w porównaniu do centralnego podejścia, zwłaszcza w dużych i rzadko połączonych sieciach.