团队体育分析中的多智能体挑战
本研究采用多智能体相互作用的方法，开发了一个可扩展的具有现实物理和人类相关语义的竞争环境，旨在解决强探索环境中的问题，并进行了多项实验以获得简单的新兴策略和未来改进的具体方向。
Jan, 2023
本文概述了人工智能、机器学习、足球分析、预测模型和博弈论等领域相互结合在足球领域中的应用，以及这种应用方式如何推进了足球运动本身的发展，还探讨了这种足球分析应用在其他领域的扩展可能性。
Nov, 2020
本文提出了一种基于多智能体深度强化学习的综合框架，用于对足球比赛中的在场和离场球员进行可能动作的价值评估，该方法能够连续地评估多个球员的动作，对于团队合作、球员球迷活动等具有重要意义。
May, 2023
南安普顿大学的代理、交互与复杂性研究小组在多智能体系统 (MAS) 领域有着悠久的研究历史，已经在 MAS 学习、协调智能体系统的博弈论技术、表示和推理的形式方法等方面做出了实质性的科学贡献。该文重点介绍了该小组取得的关键成果，并详细阐述了最近工作和面临的开放性研究挑战，包括如何开发可信自主系统和部署以人为中心的 AI 系统以支持社会公益。
Oct, 2022
该研究通过对 AAA 工作室、独立工作室和工业研究实验室的 17 位游戏代理创作者的访谈，揭示了游戏代理制作面临的设计、实现和评估等几个方面的挑战。并与学术研究相比较，指出未来研究中支持游戏产业代理创作的方向。
Sep, 2020
该论文探讨了多智能体系统中存在的问题，并提出了挑战。通过充分利用多智能体系统中个体智能体的多样能力和角色，这些系统可以通过协作来处理复杂任务。我们讨论了任务分配的优化，通过迭代辩论来促进强大的推理能力，管理复杂且分层的上下文信息，并增强记忆管理以支持多智能体系统内的复杂相互作用。我们还探讨了将多智能体系统应用于区块链系统的潜力，以启示其在真实分布式系统中的未来发展和应用。
Feb, 2024
自动测试计算机游戏是一个具有挑战性的问题，特别是当需要测试冗长的场景时。本文提出了一种合作多代理测试方法，并基于一个名为实验室招募的 3D 游戏的案例研究，对其性能进行了研究。
May, 2024
本文通过从游戏设计 (即补丁说明) 中提取信息，并利用聚类技术提出了一种新的角色表示形式，然后以 Dota 2 比赛中击杀数量预测为案例研究，训练了一个神经网络模型，该模型使用这种新的角色表示技术，表现显著超过了两种不同的基线方法，同时还在引入一种新角色和一种全新角色类型的游戏的两个更新版本中保持了准确性。提出的角色表示方法可以提高机器学习模型的生命周期，并在与文献中通常使用的传统技术相比，有助于提高性能。
May, 2023