Je vais concevoir un algorithme d'apprentissage par renforcement multi-agent

Je crée des environnements d'apprentissage par renforcement personnalisés et des simulations multi-agents pour les jeux, la robotique, la logistique et la recherche.

Parmi mes travaux récents, on trouve un simulateur de football multi-agents compétitif (apprentissage par curriculum allant de 1v1 à 11v11, entraînement en auto-jeu avec PPO) et un environnement complet de Mahjong chinois intégrant 77 des 81 règles de scoring officielles, ainsi qu'une simulation de réseau de transit multi-agents basée sur des données réelles de transport urbain, depuis le traitement des données brutes jusqu'à une politique entraînée avec une performance mesurée par rapport à une référence.

Ce que vous obtenez, c'est une base de code testée et documentée, pas un simple notebook : un environnement compatible Gymnasium/PettingZoo, un pipeline d'entraînement RLlib, et une évaluation écrite montrant la performance de votre agent entraîné face à une référence. Si ce n'est pas meilleur que la référence, ce n'est pas terminé.

Avant de commencer, je vous confirmerai si l'apprentissage par renforcement est réellement la bonne approche pour votre problème, car certaines tâches d'« agent IA » peuvent être mieux et moins cher à résoudre avec des méthodes plus simples, et je vous dirai si c'est le cas plutôt que d'accepter le projet quand même.