GAT-MAPPO-EIG: A Graph Attention Multi-Agent Reinforcement Learning Framework for Escape Interdiction Games on Dynamic Transportation Networks
Este artigo propõe o GAT-MAPPO-EIG, um framework de Otimização de Política Próxima Multiagente com Atenção em Grafos que utiliza aprendizagem por reforço profundo para resolver eficientemente jogos de interdição de fuga de grande escala e dinâmicos, aprendendo estratégias de interceptação coordenadas sem depender de métodos de otimização tradicionais computacionalmente caros.