How are Italian and Spanish cities tackling climate change? A local comparative study

27 p.

La Planificación Estratégica como instrumento de gestión pública en el gobierno local: Análisis de caso

[ES] Los responsables políticos y los gestores de los gobiernos locales de las ciudades se enfrentan con un problema recurrente: cómo atender, con recursos cada vez más escasos, las demandas de sus ciudadanos y a los actores con interés en su territorio, en términos tanto de eficacia en la prestación de servicios como de profundización democrática. Utilizando una metodología cualitativa, el objetivo de este trabajo es identificar hasta que punto un proceso de planificación estratégica pública sirve para compatibilizar las demandas de democracia y eficacia en el gobierno y administración pública local, involucrando a los ciudadanos y a los actores económicos privados. Este estudio de caso demuestra esa posibilidad aunque se hacen necesarias investigaciones comparativas adicionales.

Desarrollo sostenible y Agenda 21 Local

Resumen (ESPAÑOL) En el presente trabajo se ha tratado de analizar la evolución, tanto del concepto de Desarrollo Sostenible, como de la herramienta Agenda 21 Local, verificando la creciente preocupación que se está extendiendo en la ciudadanía, en las instituciones y en las empresas, así como la irreversibilidad de la mayoría de los resultados alcanzados. En este marco, se han estudiado los casos concretos de la implantación de la Agenda 21 Local en Europa, España, Euskadi y Getxo, por ser este último el municipio en el que resido. Con este estudio, se confirma la hipótesis de que, aunque en la implantación de la Agenda 21 Local se aprecia un esfuerzo realizado notable, queda todavía mucho camino por recorrer en la senda hacia la sostenibilidad.

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.