ИССЛЕДОВАНИЕ МУЛЬТИАГЕНТНЫХ СИСТЕМ В ДИНАМИЧЕСКИ ИЗМЕНЯЕМОЙ СРЕДЕ С ИСПОЛЬЗОВАНИЕМ АЛГОРИТМОВ ОБУЧЕНИЯ С ПОДКРЕПЛЕНИЕМ

Ставки на спорт являются одним из самых популярных видов развлечений современного мира на сегодняшний день. Вследствие чего букмекерские конторы стали неимоверно прибыльными за очень короткое время, что за собой привлекло немало проблем, о которых приводится ниже. Исследование рассматривает один из самых умопомрачительных феноменов сегодняшнего дня, то есть мультиагентные системы в мире спортивных ставок. Рассматривается реализация и смысл обучения с подкреплением, в виду того, что данный вид обучения незаменим в изучении спортивных ставок. Алгоритмы обучения с подкреплением незаменимы в анализе азартных игр, поэтому исследование рассмотрит роль обучения, используемых мультиагентами, чтобы определить победителей и проигравших. Протестирована эффективность алгоритма в реальной среде. Также демонстрируется процесс передачи данных среди мультиагентов и результативность процесса, сферы применения алгоритма.

1. Huang, S. Introduction to Various Reinforcement Learning Algorithms. Part I (Q-Learning, SARSA, DQN, DDPG). (2018) Retrieved from https://towardsdatascience.com/introduction-to-various-reinforcement-learning-algorithms-i-q-learning-sarsa-dqn-ddpg-72a5e0cb6287

2. Choudhary, A. A Hands-On Introduction to Deep Q-Learning using OpenAI Gym in Python (2019). Retrieved from https://www.analyticsvidhya.com/blog/2019/04/introduction-deep-q-learning-python/

3. Violante, A. Simple Reinforcement Learning: Q-Learning. (2019). Retrieved from https://towardsdatascience.com/simple-reinforcement-learning-q-learning-fcddc4b6fe56

4. Garant, D., Castro, B., Lesser, V. Accelerating Multi-agent Reinforcement Learning with Dynamic Co-learning.(2014). Cambridge: Massachusetts Institute of Technology.

5. McCabe, A., Trevathan, J. Artificial Intelligence in Sports Prediction. (2008). Retrieved from https://www.researchgate.net/publication/220841301_Artificial_Intelligence_in_Sports_Prediction

6. Prenov, A. Code Sample. Retrieved from https://github.com/aibaq/