Tamanho da fonte: 

A utilização de caminhos e rotas ótimas em sistemas multiagente é de fundamental importância. Quanto mais caminhos ótimos disponíveis, mais eficiente o sistema tende a ser, pois o número de colisões entre os agentes tende a diminuir. Diante disso o LRTA-Star (Learning Real Time A-Star) surge como uma opção que possibilita encontrar todos os caminhos ótimos disponíveis. O presente artigo estuda como o aumento da quantidade de caminhos a serem encontrados impacta nas distâncias percorridas pelos agentes até o momento em que eles sejam encontrados, utilizando o LRTA-Star de maneira cooperativa em ambientes estáticos. Através de experimentos realizados observou-se que existe uma relação entre as quantidades de agentes, caminhos ótimos a serem encontrados e as distâncias percorridas pelos agentes. A quantidade de movimentos totais e individuais se comportam como curvas matemáticas, sendo uma curva linear e uma exponencial decrescente, respectivamente. Também se observou que a quantidade de caminhos ótimos a serem encontrados tem pequena influência nas distâncias percorridas pelos agentes. Isso significa que após encontrar um caminho ótimo, os demais podem ser encontrados com uma pequena quantidade extra de movimentos por parte dos agentes.

Agentes; Aprendizado cooperativo; Desempenho de sistemas