Ich entwickle einen Multi-Agent-Verstärkungslernalgorithmus

Ich erstelle maßgeschneiderte Reinforcement-Learning-Umgebungen und Multi-Agenten-Simulationen für Spiele, Robotik, Logistik und Forschungsanwendungen.

Zu meinen aktuellen Projekten gehört ein wettbewerbsfähiger Multi-Agenten-Fußballsimulator (Curriculum-Learning von 1v1 bis 11v11, Self-Play PPO-Training) sowie eine vollständige chinesische Mahjong-Umgebung, die 77 der 81 offiziellen Punktregeln umsetzt, und eine Multi-Agenten-Transitnetz-Simulation, die auf echten Stadttransitdaten basiert – vom Rohdaten-Workflow bis zu einer trainierten Policy mit messbarer Leistung im Vergleich zu einem Baseline.

Was du bekommst, ist ein getesteter, dokumentierter Code, kein Notebook: eine ordentliche, Gymnasium/PettingZoo-kompatible Umgebung, eine RLlib-Trainingspipeline und eine schriftliche Bewertung, die die Leistung deines trainierten Agents im Vergleich zu einem Baseline zeigt. Wenn er das Baseline nicht schlägt, ist es noch nicht fertig.

Bevor wir anfangen, bestätige ich, dass Reinforcement Learning tatsächlich die richtige Methode für dein Problem ist, da manche "AI-Agenten"-Aufgaben besser und günstiger mit einfacheren Methoden gelöst werden können, und ich sage dir, ob das der Fall ist, anstatt den Auftrag trotzdem anzunehmen.