MO‑MIX: KI‑gestützte Mehrziel‑Mehragenten‑Entscheidungen revolutionieren

Deep Reinforcement Learning hat in den letzten Jahren komplexe Entscheidungsaufgaben erfolgreich gelöst. In vielen realen Szenarien stehen jedoch mehrere widersprüchliche Ziele im Vordergrund und erfordern die Kooperation mehrerer Agenten – ein Gebiet, das bislang nur sporadisch erforscht wurde.

Mit dem neuen Ansatz MO‑MIX wird dieses Problem systematisch angegangen. Das Verfahren nutzt das CTDE‑Framework (Centralized Training, Decentralized Execution) und führt einen Gewichtvektor ein, der die Präferenz der einzelnen Ziele ausdrückt. Dieser Vektor wird als Bedingung in die dezentrale Agenten‑Netzwerke eingespeist, während ein paralleles Mixing‑Netzwerk die gemeinsame Aktionswertfunktion berechnet. Zusätzlich wird ein Exploration‑Guide eingesetzt, um die Verteilung der nicht-dominierten Lösungen zu verbessern.

Experimentelle Tests zeigen, dass MO‑MIX die Multi‑Objective Multi‑Agenten‑Entscheidungsaufgabe nicht nur deutlich besser löst als bisherige Basismethoden, sondern dabei auch weniger Rechenressourcen benötigt. Die erzeugte Approximation des Pareto‑Sets bestätigt die hohe Qualität der gefundenen Lösungen.

Diese Fortschritte eröffnen neue Möglichkeiten für Anwendungen, bei denen mehrere Agenten gleichzeitig mehrere Ziele optimieren müssen – von autonomen Fahrzeugen über verteilte Energiesysteme bis hin zu kollaborativen Robotik‑Szenarien. MO‑MIX stellt damit einen wichtigen Schritt in Richtung effizienter, zielgerichteter KI‑Kooperation dar.