<div dir="ltr"><div class="gmail_default" style="font-size:small"><p style="font-size:13px">** Apologies for multiple postings **</p><p style="font-size:13px"><strong>Journal of Neurocomputing Special Issue on Multiobjective Reinforcement Learning: Theory and Applications<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></strong></p><p style="font-size:13px"><a href="http://www.journals.elsevier.com/neurocomputing/call-for-papers/special-issue-on-multiobjective-reinforcement-learning/" target="_blank">http://www.journals.elsevier.com/neurocomputing/call-for-papers/special-issue-on-multiobjective-reinforcement-learning/</a><strong><br></strong></p><div align="center" style="font-size:13px"><hr align="center" size="2" width="100%"></div><p style="font-size:13px">Many real-life problems involve dealing with multiple objectives. For example, in network routing the criteria consist of energy consumption, latency, and channel capacity, which are in essence conflicting objectives. When system designers want to optimize more than one objective, it is not always clear a priori which objectives are correlated and how they influence each other upon inspecting the problem at hand. As sometimes objectives are conflicting, there usually exists no single optimal solution. In those cases, it is desirable to obtain a set of trade-off solutions between the objectives.<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></p><p style="font-size:13px">This problem has in the last decade also gained the attention of many researchers in the field of Reinforcement Learning (RL). RL addresses sequential decision problems in initially (possibly) unknown stochastic environments. The goal is the maximization of the agent's reward in a potentially unknown environment that is not always completely observable. Until now, there has been no special issue in a journal or a book on reinforcement learning that covered the topic of multiobjective reinforcement learning.<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></p><p style="font-size:13px"><strong>State of the art</strong><span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></p><p style="font-size:13px">We consider the extension of RL to multiobjective (stochastic) rewards (also called utilities in decision theory). Techniques from multi-objective optimization are often used for multi-objective RL in order to improve the exploration-exploitation tradeoff. Multi-objective optimization (MOO), which is a sub-area of multi-criteria decision making (MCDM), considers the optimization of more than one objective simultaneously and a decision maker decides either which solutions are important for the user or when to present these solutions to the user for further consideration. Currently, MOO algorithms are seldom used for stochastic optimization, which makes it an unexplored but very promising research area. The resulting algorithms are a hybrid between MCDM and stochastic optimization. The RL algorithms are enriched with the intuition and computational efficiency of MOO in handing multi-objective problems.<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></p><p style="font-size:13px"><strong>Aim and scope</strong><span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></p><p style="font-size:13px">The main goal of this special issue is to solicit research on multi-objective reinforcement learning. We encourage submissions<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></p><ul style="font-size:13px"><li style="margin-left:15px">describing applications of MO methods in RL with a focus on optimization in difficult environments that are possibly dynamic, uncertain and partially observable.<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></li><li style="margin-left:15px">offering theoretical insights in online or offline learning approaches for multi-objective problem domains.<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></li></ul><p style="font-size:13px"><strong>Topics of interests</strong><span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></p><p style="font-size:13px">We enthusiastically solicit papers on relevant topics such as:<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></p><ul style="font-size:13px"><li style="margin-left:15px">Reinforcement learning algorithms for solving multi-objective sequential decision making problems<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></li><li style="margin-left:15px">Dynamic programming techniques and adaptive dynamic programming techniques handling multiple objectives<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></li><li style="margin-left:15px">Theoretical results on the learnability of optimal policies, convergence of algorithms in qualitative settings, etc.<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></li><li style="margin-left:15px">Decision making in dynamic and uncertain multi-objective environments<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></li><li style="margin-left:15px">Applications and benchmark problems for multi-objective reinforcement learning.<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></li><li style="margin-left:15px">Novel frameworks for multi-objective reinforcement learning<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></li><li style="margin-left:15px">Real-world applications in engineering, business, computer science, biological sciences, scientific computation, etc. in dynamic and uncertain environments solved with multi-objective reinforcement learning<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></li></ul><p style="font-size:13px"><strong>Important dates</strong><span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></p><ul style="font-size:13px"><li style="margin-left:15px">Submissions open: December 1^st 2015<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></li><li style="margin-left:15px">Submissions close: January 31^st 2016<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></li><li style="margin-left:15px">Notification of acceptance: April 15^th 2016<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></li><li style="margin-left:15px">Final manuscript due: <span class="" tabindex="0"><span class="">1 July 2016</span></span><span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></li><li style="margin-left:15px">Expected publication date (online): October 2016<span style="text-decoration:underline"></span><span style="text-decoration:underline"></span></li></ul><p style="font-size:13px"><span style="text-decoration:underline"></span><strong>Guest Editors</strong><br><br>Dr Madalina Drugan, Artificial Intelligence Lab, Vrije Universiteit Brussel, Belgium<br><br>Dr Marco Wiering, Institute of Artificial Intelligence and Cognitive Engineering, University of Groningen, The Netherlands<br></p><p style="font-size:13px">Dr. Peter Vamplew, Federation University Australia<br><br>Dr. Madhu Chetty, Federation University Australia<span style="text-decoration:underline"></span></p><div><br></div></div></div>