协作多智能体系统中强化社会学习的最优重连策略
多智能体系统
2018-05-23 v1 人工智能
机器学习
摘要
协作多智能体系统（MASs）中的多智能体协调在固定智能体重复交互设定和静态社会学习框架下已被广泛研究。然而，现有工作尚缺失真实世界多智能体场景中两方面的动态性。首先，网络拓扑可能是动态的，智能体在交互过程中可能通过重连改变其连接。其次，每对智能体之间的博弈矩阵可能不是静态的，且通常无法事先获知。网络动态性与博弈不确定性均增加了智能体间的协调难度。本文考虑一种多智能体动态社会学习环境，其中每个智能体可在每轮中选择重连潜在伙伴并与随机选取的邻居交互。我们提出一种最优重连策略，使智能体选择最有益的同伴进行交互，以在重复交互中最大化累积收益。我们通过与基准策略比较，实证展示了该方法的有效性与鲁棒性。同时，在我们的最优重连社会学习框架下，三种代表性学习策略的性能也得到了研究。
引用
@article{arxiv.1805.08588,
title = {An Optimal Rewiring Strategy for Reinforcement Social Learning in Cooperative Multiagent Systems},
author = {Hongyao Tang and Li Wang and Zan Wang and Tim Baarslag and Jianye Hao},
journal= {arXiv preprint arXiv:1805.08588},
year = {2018}
}
备注
9 pages, 5 figures