课程进度 67% · 第10/14章第10/14章 · 标签 1/3
— 1 —
多智能体强化学习概述
基本概念
多智能体强化学习(MARL)研究多个智能体在共享环境中如何通过交互学习最优策略。每个智能体都需要考虑其他智能体的行为，这使得问题变得更加复杂和有趣。
核心特点：智能体之间的交互、合作与竞争、环境动态性、部分可观察性。
主要算法
- MADDPG (Multi-Agent DDPG)：集中式训练、分布式执行的Actor-Critic算法
- COMA (Counterfactual Multi-Agent)：基于反事实推理的多智能体算法
- QMIX：基于单调性约束的混合Q值算法
- MAPPO (Multi-Agent PPO)：多智能体版本的近端策略优化算法
— 2 —
关键技术
- 通信机制：智能体间的信息交换与协调
- 信用分配：评估每个智能体的贡献度
- 非平稳性处理：处理环境动态变化
- 部分可观察性：处理不完全信息
应用场景
- 多机器人协作：多机器人协同完成任务
- 交通控制：智能交通信号灯控制
- 游戏AI：多智能体游戏策略
- 资源分配：分布式资源优化