基于超图神经网络的多智能体系统高效策略生成
人工智能
2022-10-12 v2 多智能体系统
摘要
深度强化学习在多智能体系统中的应用带来了额外的挑战。在智能体众多的场景中，当前亟待解决的最重要问题之一是如何在不同智能体之间发展充分的协作。为解决该问题，我们考虑基于邻域的智能体交互形式，提出一种基于 actor-critic 方法的多智能体强化学习（MARL）算法，该算法能够自适应地构建表示智能体交互的超图结构，并进一步通过超图卷积网络实现有效的信息提取与表示学习，从而促进有效协作。基于不同的超图生成方法，我们提出两种变体：Actor Hypergraph Convolutional Critic Network（HGAC）和 Actor Attention Hypergraph Critic Network（ATT-HGAC）。在不同设置下的实验表明了我们的方法相对于其他现有方法的优势。
引用
@article{arxiv.2203.03265,
title = {Efficient Policy Generation in Multi-Agent Systems via Hypergraph Neural Network},
author = {Bin Zhang and Yunpeng Bai and Zhiwei Xu and Dapeng Li and Guoliang Fan},
journal= {arXiv preprint arXiv:2203.03265},
year = {2022}
}
备注
12 pages, 6 figures