Home
O Maslab (Multiagent Systems Lab) é um grupo voltado para pesquisa em sistemas multiagente (MAS). Está localizado no Instituto de Informática da UFRGS e conta com a contribuição de professores titulares e associados, doutorandos, mestrandos e estudantes de graduação. Os tópicos de pesquisa incluem aplicações de sistemas multiagente em áreas como simulação de tráfego, controle, bioinformática, além de trabalhos relacionados a medicina, educação a distância e swarm intelligence.
O Maslab é um dos maiores e mais antigos grupos na área de sistemas multiagente no Brasil e na América do Sul. Atualmente lidera vários projetos de pesquisa e tem formado recursos humanos na área (veja as diversas dissertações e teses relacionadas ao assunto).
Para maiores informações, acesse a página do Maslab.
O Maslab está envolvido em diversos projetos de pesquisa.Para maiores informações, acesse a página do Maslab.
Para obter uma lista atualizada de publicações do grupo Maslab, por favor acesse o sistema Pergamus.
veja: WikiCFP
- SUMO - Links, dicas gerais, instruções de instalação.
A página do Guia de ferramentas do Maslab no github dá um overview das ferramentas desenvolvidas pelo Maslab.
Esta seção registra o mínimo que você precisa saber sobre o Maslab.
- As máquinas do Maslab estão instaladas no laboratório 203 do prédio 43425. Elas contam com sistema operacional Ubuntu Desktop. Além disso, o Maslab possui um servidor (Gauss), onde, além de backups e arquivos de interesse do laboratório, também estão centralizados os diretórios '/home' de todos os usuários do Maslab. Não confundir este serviço com o provido pela Adm. Rede do INF (servidora portal).
- Para obter um usuário no servidor do Maslab (máquina com nome Gauss) solicite aos antigos integrantes do grupo para que se crie um novo usuário. Ver Como criar um novo usuário? no FAQ.
- Mantenha seus dados e contatos atualizados. Ver Como Atualizar meus dados pessoais?
- É necessário compartilhar a agenda com a orientadora.
- É necessário enviar um relatório semanal para a orientadora, conforme descrito na seção Como preparar relatórios semanais?.
- É necessário registrar em ata os assuntos tratados em reunião.
- Há diversos repositórios github do Maslab em maslab-ufrgs que se encontram classificados em Guia de ferramentas do Maslab no github
- Mantenha sua mesa limpa e sem papeis e objetos desnecessários sobre ela. Lembre-se que a sala 203 é de uso comum logo mais de uma pessoa pode usar a mesma mesa.
- Ao sair da sala, tranque a porta.
- Ao final do dia, feche as janelas e as cortinas da sala.
- Ao sair da sala, certifique-se de que o condicionador de ar esteja desligado.
- Importante Portas e janelas abertas e condicionadores de ar ligados serão notificados pela vigilância à secretaria e ao orientador.
- Não mover equipamentos de uma sala para outra sem autorização.
- A maioria dos móveis e equipamentos usados por nós não provem de fundos da UFRGS, como a maioria pensa. Eles foram adquiridos com verbas de projetos e devido à falta de recursos, é improvável que venhamos a conseguir repô-los. Assim sendo, é absolutamente necessário cuidar de tudo como se fosse sua proprieda. Se algo estragar, favor avisar imediatamente e não se omitir.
- Devolva as chaves das salas que estejam em seu poder ao concluir sua passagem pelo Maslab.
- LaTeX é o que preferimos usar para redigir textos.
- Para se familiarizar com escrita científica, acesse Como escrever documentos técnicos e científicos
- Os trabalhos produzidos no âmbito do Instituto de Informática devem ser formatados de acordo com a natureza dos documentos. Use as seguintes classes LaTeX para tanto.
- Citações bibliográficas em formato bibtex são armazenadas no Overleaf (atenção, esta política mudou em fevereiro de 2021) mas o acesso é restrito e deve ser solicitado. Leia com atenção a seção correspondente na FAQ sobre o uso das referências.
- É comum utilizarmos no Maslab o serviço virtual overleaf para o compartilhamento dos documentos em LaTeX.
Observação: a maioria dos artigos pode ser acessada de dentro da UFRGS ou usando um proxy. Mais detalhes na wiki da Adm. Rede do INF.
- Este artigo é curto mas dá um primeiro recado:
- Na sequência, um dentre os três textos abaixo que têm mais detalhes (o primeiro é mais recente; o terceiro é em português)
- Bazzan and Klügl, 2014. Introduction to intelligent systems in traffic and transportation. Disponível no SABI (não é o caso de ler o livro todo; leia os caps. 1 a 4 na totalidade e o resto apenas em diagonal).
- Ana L. C. Bazzan and Franziska Klügl, 2013. A review on agent-based technology for traffic and transportation.
- Ana L. C. Bazzan and Franziska Klügl, 2007. Sistemas Inteligentes de Transporte e Tráfego: uma Abordagem de Tecnologia da Informação. Anais das Jornadas de Atualização em Informática. July. [BIB]
- Sobre o paradoxo de Braess:
Textos básicos.... e nem tanto:
- Sobre aprendizado por reforço:
- Kaelbling, L. P., Littman, M. L., & Moore, A. W. (1996). Reinforcement learning: A survey. Journal of artificial intelligence research, 4, 237-285
- Long peek into RL - Lilian Weng (review compreensivo e acessível)
- Szepesvári, C. (2010). Algorithms for reinforcement learning. Synthesis lectures on artificial intelligence and machine learning, 4(1), 1-103. (disp. no SABI)
- Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT press.
- Material with focus on deep learning: Introduction to RL (OpenAI), com pointers to seminal articles in deep learning
- UCL / DeepMind Reinforcement Learning by David Silver
- UCL / DeepMind RL course by Hado
- Udacity
- Udemy
- Google
- Machine Learning Crash Course A self-study guide for aspiring machine learning practitioners
- Coursera
- Curso de Machine Learning do Andrew Ng / U. Stanford (esse é o um curso bastante popular sobre ML)
- Berkeley
- CS285 Deep RL (Sergey Levine, Fall 2019)
- Sobre multiagent RL (MARL)
- Busoniu, L., Babuska, R., & De Schutter, B. (2008): A comprehensive survey of multiagent reinforcement learning. IEEE Transactions on Systems, Man, And Cybernetics-Part C: Applications and Reviews, 38 (2), 2008. ou, numa versão tech. report (single column)
- Dom Huh, Prasant Mohapatra (2023): Multi-agent Reinforcement Learning: A Comprehensive Survey; https://arxiv.org/abs/2312.10256
- K. Tuyls and G. Weiss (publicado em Ai Magazine 33(3):41-52, 2012): Multiagent Learning: Basics, Challenges, and Prospects
- Neto, G. (2005). From single-agent to multi-agent reinforcement learning: Foundational concepts and methods. Learning theory course. http://www.cs.utah.edu/~tch/CS6380/resources/Neto-2005-RL-MAS-Tutorial.pdf
- Algumas lectures do curso Reinforcement Learning UD600 (Udacity)
- Multiobjective RL (including planning, i.e., focus on MDP, not necessarily RL): survey and practical guide
-
multiagent RL: Platforms, Frameworks for environments
- open AI Gym (single agent but basis for some of these below): https://github.com/openai/gym
- MA Gym: https://github.com/koulanurag/ma-gym
- AI arena: https://export.arxiv.org/pdf/2103.05737.pdf
- PettingZoo: https://arxiv.org/pdf/2009.14471.pdf
- open AI particle environment (only if you are dealing with particle optimization): https://github.com/openai/multiagent-particle-envs
- Sobre multiobjective RL (MORL)
- The paper "Multi-Objective Multi-Agent Decision Making: A Utility-based Analysis and Survey" is about multiobjective decision making, but is relevant to learning as well, and presents important concepts
- This is a survey of MORL that covers lots of applications, besides concepts
Perguntas freqüentes sobre o funcionamento do laboratório Maslab, incluindo instruções sobre como usar o repositório de entradas BibTeX, podem ser acessadas aqui.
Favor reportar qualquer problema, link quebrado, sugestão de alteração, etc. na lista do maslab. Em princípio, cada um pode editar o texto desde que faça parte do respectivo grupo (solicitações precisam ser feitas à adm. rede do INF c.c. profa. Ana).