面向协作系统中最优智能体分组的分层强化学习
机器学习
2025-01-14 v1 人工智能
多智能体系统
摘要
本文提出了一种分层强化学习（RL）方法，用于解决协作多智能体系统中的智能体分组或配对问题。目标是同时学习最优分组和智能体策略。通过采用分层RL框架，我们区分了分组的高层决策和智能体的低层动作。我们的方法利用了CTDE（集中训练与分散执行）范式，确保了高效学习和可扩展执行。我们引入了置换不变神经网络来处理智能体间的同质性和协作性，实现了有效协调。选项-评论家算法被改编以管理分层决策过程，允许动态和最优的策略调整。
引用
@article{arxiv.2501.06554,
title = {Hierarchical Reinforcement Learning for Optimal Agent Grouping in Cooperative Systems},
author = {Liyuan Hu},
journal= {arXiv preprint arXiv:2501.06554},
year = {2025}
}
备注
9 pages, 2 figures