大规模多智能体深度倒向随机微分方程方法
人工智能
2021-05-24 v3
摘要
本文提出一种可扩展的深度学习框架，利用虚拟博弈（fictitious play）求解多智能体随机博弈中的马尔可夫纳什均衡。其动机源于对倒向随机微分方程（FBSDE）的理论分析及其在深度学习环境中的实现，这正是我们算法样本效率提升的来源。通过利用对称博弈中智能体的置换不变性质，可扩展性与性能得到显著进一步增强。我们在银行间借贷问题中从多个指标上展示了该框架相对于最优深度虚拟博弈算法的优越性能。更重要的是，我们的方法在仿真中可扩展至3000个智能体，据我们所知，这一规模代表了新的最优水平。我们还展示了该框架在机器人学中信念空间自主竞速问题上的适用性。
引用
@article{arxiv.2011.10890,
title = {Large-Scale Multi-Agent Deep FBSDEs},
author = {Tianrong Chen and Ziyi Wang and Ioannis Exarchos and Evangelos A. Theodorou},
journal= {arXiv preprint arXiv:2011.10890},
year = {2021}
}