Bienestar subjetivo en el ámbito rural

El presente estudio se centra en el concepto de bienestar psicológico subjetivo, componente cualitativo de la calidad de vida y, por lo tanto, de especial relevancia en la intervención socioeducativa. El objetivo principal ha sido la valoración del bienestar subjetivo de la población en el medio rural. Se ha desarrollado en Matallana de Torio, un municipio de León de 1397 habitantes, participando en el mismo 318 personas adultas entre 18 y 86 años. Se analizó la literatura existente para valorar, por un lado, la importancia del concepto de bienestar subjetivo en relación con el de felicidad y con el de calidad de vida. Por otro lado, se exponen las concepciones sobre el medio rural para aproximarnos a una idea común acerca de este concepto tan cercano pero tan poco analizado desde este enfoque. Para llevar a cabo este análisis, se ha optado por una metodología cuantitativa, cuya naturaleza descriptiva, permite obtener resultados generalizables. Se han utilizado las escalas de Ryff, por constituir un instrumento de análisis del bienestar subjetivo contrastado y fiable. Los principales resultados derivados del análisis de datos indican niveles por debajo de la media en las dimensiones analizadas como: autoaceptación, relaciones positivas, autonomía, dominio del entorno, crecimiento personal y propósito en la vida. Este resultado puede estar relacionado con la variable cultural y las limitaciones derivadas de la escasez de servicios socioeducativos que se encuentran las personas en el ámbito rural.

Alternative trajectories for decarbonizing urban transportation

4 p.

Decarbonising urban transportation

18 p.

Learning Multirobot Hose Transportation and Deployment by Distributed Round-Robin Q-Learning

Multi-Agent Reinforcement Learning (MARL) algorithms face two main difficulties: the curse of dimensionality, and environment non-stationarity due to the independent learning processes carried out by the agents concurrently. In this paper we formalize and prove the convergence of a Distributed Round Robin Q-learning (D-RR-QL) algorithm for cooperative systems. The computational complexity of this algorithm increases linearly with the number of agents. Moreover, it eliminates environment non sta tionarity by carrying a round-robin scheduling of the action selection and execution. That this learning scheme allows the implementation of Modular State-Action Vetoes (MSAV) in cooperative multi-agent systems, which speeds up learning convergence in over-constrained systems by vetoing state-action pairs which lead to undesired termination states (UTS) in the relevant state-action subspace. Each agent's local state-action value function learning is an independent process, including the MSAV policies. Coordination of locally optimal policies to obtain the global optimal joint policy is achieved by a greedy selection procedure using message passing. We show that D-RR-QL improves over state-of-the-art approaches, such as Distributed Q-Learning, Team Q-Learning and Coordinated Reinforcement Learning in a paradigmatic Linked Multi-Component Robotic System (L-MCRS) control problem: the hose transportation task. L-MCRS are over-constrained systems with many UTS induced by the interaction of the passive linking element and the active mobile robots.