基于注意力图神经架构的多智能体深度强化学习用于即时战略游戏
人工智能
2021-05-24 v1
摘要
在即时战略(RTS)游戏人工智能研究中，各类多智能体深度强化学习(MADRL)算法如今被广泛且活跃地使用。多数研究基于 StarCraft II 环境，因为它是全球最知名的 RTS 游戏。在我们提出的基于 MADRL 的算法中，基础性地使用了称为 QMIX 的分布式 MADRL。除基于 QMIX 的分布式计算外，我们考虑状态分类以显著降低了计算复杂度。此外，使用自注意力机制以图的形式辨识智能体间关系。基于这些方法，我们提出一种分类状态图注意力策略(CSGA-policy)。在最具知名度的 StarCraft II 仿真环境下对我们提出的 CSGA-policy 进行性能评估，正如预期，我们所提算法在各种设定中均表现良好。
引用
@article{arxiv.2105.10211,
title = {Multi-Agent Deep Reinforcement Learning using Attentive Graph Neural Architectures for Real-Time Strategy Games},
author = {Won Joon Yun and Sungwon Yi and Joongheon Kim},
journal= {arXiv preprint arXiv:2105.10211},
year = {2021}
}