面向智能交通灯控制的多智能体宽度强化学习
机器学习
2022-07-06 v2 人工智能
多智能体系统
摘要
智能交通灯控制系统（ITLCS）是一个典型的包含多条道路与交通灯的多智能体系统（MAS）。构建ITLCS的MAS模型是缓解交通拥堵的基础。现有的MAS方法大多基于多智能体深度强化学习（MADRL）。尽管多智能体宽度强化学习（MABRL）的深度神经网络（DNN）有效，但训练时间长且参数难以追踪。近来，宽度学习系统（BLS）通过扁平网络为深度神经网络中的学习提供了选择性途径。此外，宽度强化学习（BRL）在单智能体深度强化学习（SADRL）问题中扩展了BLS并取得了有前景的结果。然而，BRL未关注智能体间复杂的结构与交互。受MADRL特性与BRL问题的启发，我们提出一种多智能体宽度强化学习（MABRL）框架以探索BLS在MAS中的作用。首先，与多数使用一系列深度神经网络结构的现有MADRL方法不同，我们以宽度网络对每个智能体建模。接着，我们引入动态自循环交互机制以确定“3W”信息：何时交互、需考虑哪些智能体、传输何种信息。最后，我们基于智能交通灯控制场景开展实验。我们将MABRL方法与六种不同方法比较，在三个数据集上的实验结果验证了MABRL的有效性。
引用
@article{arxiv.2203.04310,
title = {Multi-Agent Broad Reinforcement Learning for Intelligent Traffic Light Control},
author = {Ruijie Zhu and Lulu Li and Shuning Wu and Pei Lv and Yafai Li and Mingliang Xu},
journal= {arXiv preprint arXiv:2203.04310},
year = {2022}
}