对具有混合动作空间的深度多智能体强化学习的进一步探索
机器学习
2022-09-01 v1 人工智能
多智能体系统
摘要
将深度强化学习（drl）拓展至多智能体领域的研究已解决诸多复杂问题并取得重大成果。然而，几乎所有这些研究仅关注离散或连续动作空间，且鲜有工作将多智能体深度强化学习用于大多具有混合动作空间的真实环境问题中。因此，本文提出两种算法：深度多智能体混合软 actor-critic（MAHSAC）与多智能体混合深度确定性策略梯度（MAHDDPG）以填补此空白。这两种算法遵循集中训练与分散执行（CTDE）范式，并能处理混合动作空间问题。我们的实验运行于多智能体粒子环境——一个简易的多智能体粒子世界，并带有一些基础模拟物理。实验结果表明这些算法具有良好性能。
引用
@article{arxiv.2208.14447,
title = {A further exploration of deep Multi-Agent Reinforcement Learning with Hybrid Action Space},
author = {Hongzhi Hua and Guixuan Wen and Kaigui Wu},
journal= {arXiv preprint arXiv:2208.14447},
year = {2022}
}
备注
arXiv admin note: substantial text overlap with arXiv:2206.05108