Max Bourgeat, Quentin Cappart
, Antoine Legrain
Résumé (2026)
Accéder à ce document
Non disponible
Ce document n'est pas archivé dans PolyPublie
Résumé
Nous proposons une injection séquentielle de contraintes en apprentissage par renforcement multi-agents pour le routage ferroviaire. Inspirée de l’optimisation lagrangienne, elle améliore la stabilité, réduit le temps d’apprentissage et renforce le respect des contraintes, avec des performances équivalentes ou meilleures.
Renseignements supplémentaires:
Session: MA7 - Machine Learning and Optimization 1
Département:
Unité de recherche:
Adresse URL de PolyPublie:
Nom de la conférence:
Journées de l'Optimisation 2026 (JOPT 2026)
Lieu de la conférence:
Montréal, Québec, Canada
Date(s) de la conférence:
2026-05-11 - 2026-05-13
OAI:
oai:publications.polymtl.ca:84779
ORCID
Date du dépôt:
23 oct. 2026 10:38
Dernière modification:
23 oct. 2026 10:38
Citer en APA 7:
Bourgeat, M., Cappart, Q., & Legrain, A. (mai 2026). Injection séquentielle de contraintes pour l'apprentissage par renforcement contraint multi-agents avec modèles du monde appliqué aux opérations ferroviaires [Résumé]. Journées de l'Optimisation 2026 (JOPT 2026), Montréal, Québec, Canada.
Statistiques
Aucune statistique n'est disponible.
