GAT-MAPPO-EIG: A Graph Attention Multi-Agent Reinforcement Learning Framework for Escape Interdiction Games on Dynamic Transportation Networks
Dit artikel stelt GAT-MAPPO-EIG voor, een Graph Attention Multi-Agent Proximal Policy Optimization-framework dat diep reinforcement learning gebruikt om grootschalige, dynamische escape-interdictie-spellen efficiënt op te lossen door gecoördineerde interceptiestrategieën te leren zonder te vertrouwen op computationeel dure traditionele optimalisatiemethoden.