ترجمه فارسی مقاله پیش‌بینی عملکرد ازدحام‌های مبتنی بر هاب

چکیده

A hub-based colony consists of multiple agents who share a common nest site called the hub. Agents perform tasks away from the hub like foraging for food or gathering information about future nest sites. Modeling hub-based colonies is challenging because the size of the collective state space grows rapidly as the number of agents grows. This paper presents a graph-based representation of the colony that can be combined with graph-based encoders to create low-dimensional representations of collective state that can scale to many agents for a best-of-N colony problem. We demonstrate how the information in the low-dimensional embedding can be used with two experiments. First, we show how the information in the tensor can be used to cluster collective states by the probability of choosing the best site for a very small problem. Second, we show how structured collective trajectories emerge when a graph encoder is used to learn the low-dimensional embedding, and these trajectories have information that can be used to predict swarm performance.

چکیده به فارسی (ترجمه ماشینی)

یک مستعمره مستقر در مرکز شامل چندین عامل است که یک سایت لانه مشترک به نام The Hub را به اشتراک می گذارند.نمایندگان وظایف خود را به دور از توپی مانند علوفه برای غذا یا جمع آوری اطلاعات در مورد سایت های لانه آینده انجام می دهند.مدل سازی مستعمرات مبتنی بر توپی چالش برانگیز است زیرا با افزایش تعداد عوامل ، اندازه فضای حالت جمعی به سرعت رشد می کند.در این مقاله نمایشی مبتنی بر نمودار از مستعمره ارائه شده است که می تواند با رمزگذارهای مبتنی بر نمودار ترکیب شود تا بازنمایی های کم بعدی از حالت جمعی ایجاد شود که می تواند برای بسیاری از عوامل برای یک مشکل مستعمره از N باشد.ما نشان می دهیم که چگونه می توان از اطلاعات موجود در تعبیه کم بعدی با دو آزمایش استفاده کرد.اول ، ما نشان می دهیم که چگونه می توان از اطلاعات موجود در تانسور با احتمال انتخاب بهترین سایت برای یک مشکل بسیار کوچک استفاده کرد.دوم ، ما نشان می دهیم که چگونه مسیرهای جمعی ساختار یافته هنگام استفاده از رمزگذار نمودار برای یادگیری تعبیه کم بعدی ، ظهور می کنند ، و این مسیرها دارای اطلاعاتی هستند که می توانند برای پیش بینی عملکرد Swarm استفاده شوند.