• deep learning
• multi agente
• multi robot
• reinforcement learning
• rete neurale
• task allocation

Questa tesi propone l’utilizzo di Multi Agent Deep Reinforcement Learning integrato con una formulazione matematica generale per affrontare tali sfide e migliorare le prestazioni dei sistemi Coordinate Dynamic Task Allocation (CDTA).
Coordinated Dynamic Task Allocation (CDTA) è un framework essenziale per la gestione di sistemi complessi in cui più agenti devono prendere decisioni dinamiche e cooperare in ambienti in continuo cambiamento. CDTA consente di assegnare ed eseguire compiti in contesti dinamici, come droni autonomi che coordinano operazioni in zone di disastro o robot che collaborano in magazzini per evadere ordini.
Rispetto ai metodi tradizionali, spesso centralizzati e basati su euristiche, questa tesi propone un approccio decentralizzato, dove gli agenti si coordinano autonomamente per rispondere ai cambiamenti ambientali. Questo riduce colli di bottiglia computazionali e migliora la scalabilità.

This thesis proposes the use of Multi-Agent Deep Reinforcement Learning integrated with a general mathematical formulation to address these challenges and improve the performance of Coordinated Dynamic Task Allocation (CDTA) systems.
Coordinated Dynamic Task Allocation (CDTA) is an essential framework for managing complex systems in which multiple agents must make dynamic decisions and cooperate in constantly changing environments. CDTA enables the assignment and execution of tasks in dynamic contexts, such as autonomous drones coordinating operations in disaster areas or robots collaborating in warehouses to fulfill orders.
Compared to traditional methods, often centralized and based on heuristics, this thesis proposes a decentralized approach, where agents autonomously coordinate to respond to environmental changes. This reduces computational bottlenecks and enhances scalability.