设计多智能体系统

在本节中，你将观看 Brian Douglas 制作的这段关于多智能体的精彩介绍。

在这段视频中，Brian 谈到了如何设计多智能体系统。他特别举了一个吸尘器多智能体系统，并提出了问题：它们如何相互协作？

我们有两种解决方案来设计这种多智能体强化学习系统 (MARL)。

去中心化系统

在去中心化学习中，每个智能体独立于其他智能体进行训练。在给定的例子中，每个吸尘器都学习尽可能多地清理地方，而不关心其他吸尘器（智能体）正在做什么。

好处是，由于智能体之间不共享信息，这些吸尘器可以像我们训练单个智能体一样进行设计和训练。

这里的想法是，我们的训练智能体将把其他智能体视为环境动态的一部分。而不是作为智能体。

然而，这种技术的主要缺点是它会使环境变得非平稳，因为随着其他智能体也在环境中交互，底层的马尔可夫决策过程会随时间变化。这对于许多强化学习算法来说是一个问题，因为它们无法在非平稳环境中达到全局最优。

中心化方法

在这种架构中，我们有一个高级进程来收集智能体的经验：经验缓冲区。我们将使用这些经验来学习一个共同的策略。

例如，在吸尘器示例中，观察结果将是：

• 吸尘器的覆盖图。
• 所有吸尘器的位置。

我们利用这些集体经验来训练一个策略，该策略将以最有利的方式移动所有三个机器人。因此，每个机器人都从它们的共同经验中学习。我们现在有一个平稳的环境，因为所有智能体都被视为一个更大的实体，并且它们知道其他智能体策略的变化（因为它们与它们的策略相同）。

总结一下

• 在去中心化方法中，我们独立地对待所有智能体，而不考虑其他智能体的存在。

  • 在这种情况下，所有智能体都将其他智能体视为环境的一部分。
  • 这是一个非平稳环境条件，因此无法保证收敛。

• 在中心化方法中

  • 从所有智能体中学习一个单一策略。
  • 将环境的当前状态作为输入，策略输出联合动作。
  • 奖励是全局的。

< > 在 GitHub 上更新