多智能体强化学习:合作关系设定下的多智能体强化学习
0 前言
1 合作关系设定下的策略学习
MARL 中的完全合作关系 (Fully-Cooperative) 意思是所有智能体的利益是一致的,它们具有相同的奖励:因此,所有的智能体都有相同的回报:因为价值函数是回报的期望,所以所有的智能体都有相同的(状态/动作)价值函数和。
注意和依赖于所有智能体的策略:
如果做策略学习(即学习策略网络参数),那么所有智能体都有一个共同目标函数:
所有智能体的目的是一致的,即改进自己的策略网络参数,使得目标函数 J 增大。那么策略学习可以写作这样的优化问题:
注意,只有“完全合作关系”这种设定下,所有智能体才会有共同的目标函数,其原因在于
对于其它设定——“竞争关系”、“混合关系”、“利己主义”—— 智能体的目标函数是各不相同的
判断策略学习收敛的标准是目标函数 不再增长。。
在实践中,当平均回报不再增长,即可终止算法。
2 合作设定下的多智能体 A2C
强化学习笔记:带基线的策略梯度_UQI-LIUWJ的博客-CSDN博客
2.1 策略网络和价值网络
2.1.1 训练价值网络
我们用 TD 算法训练价值网络 v(s; w)。观测到状态和奖励 rt,计算 TD 目标:
定义损失函数:
2.1.2 训练策略网络
把基线设置为状态价值:,然后定义
这是策略梯度的无偏估计:
此时我们还不知道
和A2C强化学习笔记:带基线的策略梯度_UQI-LIUWJ的博客-CSDN博客类似,我们把近似成,把近似成
于是近似策略梯度可以进一步近似成
3 整体训练流程
设当前 m 个策略网络的参数分别是 。
MAC-A2C 属于同策略 (On-policy),不能使用经验回放。
4 决策与控制
在完成训练之后,不再需要价值网络 v(s; w)。每个智能体可以用它自己的策略网络做决策。
在时刻 t 观测到全局状态,然后做随机抽样得到动作
5 实现中的难点
在 MARL 的常见设定下,第 i 号智能体只知道自己的观测值,而观测不到全局状态:但是全局状态在多智能体A2C中又是必须的:
- 每个智能体有自己的策略网络 ,可以用它做决策。但是它的决策需要全局状态 s
- 在训练的过程中,价值网络 v(s; w) 需要知道全局状态 s 才能计算 TD 误差 与梯度
- 在训练的过程中,每个策略网络都需要知道全局状态s来计算梯度
所以,如果智能体之间不交换信息,那么智能体既无法做训练,也无法做决策。
- 一种办法是让智能体共享观测。这需要做通信,每个智能体把自己的传输给其他智能体
- 这样每个智能体都有全局的状态
- 另一种办法是对策略网络和价值函数做近似。通常使用替代。 甚至可以进一步用 代替 v(s; w)。
但是他们都是有不足之处的:
- 共享观测的缺点在于通信会让训练和决策的速度变慢。
- 而做近似的缺点在于不完全信息 造成训练不收敛、做出错误决策。
6 三种实现架构
6.1 中心化训练+中心化决策
最上面是中央控制器 (Central Controller),里面部署了价值网络 v(s; w) 与所有 m 个策略网络 训练和决策全部由中央控制器完成。智能体负责与环境交互,执行中央控制器的决策并把观测到的汇报给中央控制器。如果智能体观测到奖励 ,也发给中央控制器。
6.1.1 中心化训练
在时刻 t 和 t + 1,中央控制器收集到所有智能体的观测值
在“完全合作关系”的设定下,所有智能体有相同的奖励:
可以是中央控制器直接从环境中观测到的,也可能是所有智能体本地的奖励 的加和:
决策是中央控制器上的策略网络做出的,中央控制器因此知道所有的动作:
——> 中央控制器知道
——> 因此,中央控制器有足够的信息训练 MAC-A2C,更新价值网络的参数 w 和策略网络的参数
【训练方法见第三小节】
6.1.2 中心化决策
6.1.3 完全中心化的优缺点
中心化训练和决策的缺点在于延迟(Latency) 很大,影响训练和决策的速度。
6.2 去中心化训练+去中心化决策
“中心化训练 + 中心化决策”严格按照 MAC-A2C 的算法实现,其缺点 在于训练和决策都需要智能体与中央控制器之间通信,造成训练的决策的速度慢。
想要避免通信代价,就不得不对策略网络和价值网络做近似。
MAC-A2C 中的策略网络
和价值网络 v(s; w) 都需要全局的观测
“去中心化训练 + 去中心化决 策”的基本思想是用局部观测代替 s,把策略网络和价值网络近似成为:
6.2.1 去中心化训练
假设所有智能体的奖励都是相同的,而且每个智能体都能观测到奖励 r。每个智能体独立做训练,智能体之间不做通信,不共享观测、动作、参数。这样一 来,MAC-A2C 就变成了标准的 A2C,每个智能体独立学习自己的参数 和
实际实现的时候,每个智能体还需要一个目标网络,记作,它的结构与相同,但是参数不同。
设第 i 号智能体的策略网络、价值网络、目标网络当前参数分别为
。该智能体重复以下步骤更新参数:
不难发现,上面的这一套训练流程和单智能体的A2C类似。
6.2.2 去中心化决策
完成训练后,智能体只需要用其本地部署的策略网络做决策即可,决策过程无需通信。
去中心化执行的速度很快,可以做到实时决策。
6.3 中心化训练+去中心化决策
- 前面小两节讨论了完全中心化与完全去中心化,两种实现各有优缺点。当前更流行的MARL 架构是“中心化训练 + 去中心化决策”。
- 训练的时候使用中央控制器,辅助智能体做训练;见图 15.7。
- 训练结束之后,不再需要中央控制器,每个智能体独立根据本地观测做决策;见图 15.8。
本小节与“完全中心化”使用相同的价值网络 v(s; w) 及其目标网络;
本小节与“完全去中心化”使用相同的策略网络:
第 i 号策略网络的输入是局部观测 ,因此可以将其部署到第 i 号智能体上。
价值网络 v(s; w) 的输入是全局状态,因此需要将其部署到中央控制器上。
6.3.1 中心化训练
训练的过程需要所有 m 个智能体共同参与,共同改进策略网络参数与价值网络参数 w。
(和去6.2中心化训练类似)
和6.1中心化训练类似
6.3.2 去中心化决策
多智能体强化学习:合作关系设定下的多智能体强化学习相关推荐
- 成都xxx 科技有限公司 机电一体化智能制造订单班合作方案
成都xxx 科技有限公司 机电一体化智能制造订单班合作方案 目录 一. 机电一体化智能制造介绍 2 二. 现代学徒制办学模式 2 三.校企合作相关政策分析 2 1.国家政策分析 2 2.贵州生省政策分 ...
- FlickPlay 和 The Sandbox 达成合作关系
FlickPlay 众多系列发布的第一个! 元宇宙社交平台 Flickplay 与 The Sandbox 达成合作! 通过这种合作关系,The Sandbox 社区将能够拥有 Flicky,并获得与 ...
- 最新最全论文合集——多智能体强化学习合作和竞争
AMiner平台(https://www.aminer.cn)由清华大学计算机系研发,拥有我国完全自主知识产权.平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱,提供学者评价.专家发现. ...
- 《深度强化学习实战》 第9章 多智能体
第 9 章 多智能体强化学习 为什么普通的Q-learning在多智能体设置中变得不行 如何在多智能体中处理"维度诅咒" 如何实现多智能体Q-learning模型来感知其他智能体 ...
- 【四】多智能体强化学习(MARL)近年研究概览 {Learning cooperation(协作学习)、Agents modeling agents(智能体建模)}
相关文章: [一]最新多智能体强化学习方法[总结] [二]最新多智能体强化学习文章如何查阅{顶会:AAAI. ICML } [三]多智能体强化学习(MARL)近年研究概览 {Analysis of e ...
- 李飞飞提出深度进化强化学习新框架:创建具身智能体学会动物进化法则
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达 转自 | 新智元 来源 | 外媒 编辑 | Yaxin, LQ 6亿 ...
- RL之SARSA:利用强化学习之SARSA实现走迷宫—训练智能体走到迷宫(复杂陷阱迷宫)的宝藏位置
RL之SARSA:利用强化学习之SARSA实现走迷宫-训练智能体走到迷宫(复杂陷阱迷宫)的宝藏位置 目录 输出结果 设计思路 实现代码 测试记录全过程 输出结果 设计思路 实现代码 后期更新-- 测试 ...
- MATLAB强化学习工具箱(十一)训练DDPG智能体控制飞行机器人
训练DDPG智能体控制飞行器 飞行机器人模型 创建集成模型 动作与观察 创建环境接口 重置函数 创建DDPG智能体 训练智能体 DDPG智能体仿真 本示例说明如何训练深度确定性策略梯度(DDPG)智能 ...
- 多智能体强化学习入门(三)——矩阵博弈中的分布式学习算法
一.引言 多智能体系统一直在学术界或者工业届都是一个热点.其核心领域是关于如何将系统采用分布式的算法控制.在分布式算法中,没有一个中心节点进行总体控制,每个智能体通过与环境交互自己学习自己的最优策略, ...
最新文章
- SAP MCH1表和MCHA表更新逻辑
- ajax成功进入success但是获取不到返回值
- VS2005调试ASP.NET出现未能开始侦听端口解决办法
- mysql1756_MySQL Error_code: 1756
- 为vim编辑器增加行号功能
- C语言指针用得好犹如神助!这些使用技巧值得收藏
- 大整数加法(信息学奥赛一本通-T1168)
- Google开源的操作系统Fuchsia,专为大内存硬件设计
- Pytorch中Tensor和numpy数组的互相转化
- 来自一个包工头的创业故事
- java 象棋人机开源码,中国象棋人机博弈程序(扁平化棋局) C语言实现
- malloc函数说明
- linux 怎么格式化u盘写保护,u盘写保护怎么去掉
- 共享远程计算机文件夹,怎么远程访问共享文件夹
- 知识积累 | GATK的使用
- 一、对文本文件进行数据粒度转换,即将文本文件personnel_data.txt中字段household_register的数据统一成省份,并且输出到文本文档personnel_data_new.tx
- MAL II,怀槐凝集素II(MAL II)
- 更新显卡驱动后黑屏无法进入系统的解决办法
- EASYAR + UNITY + MMD4 制作 AR 小软件(特效非常赞)
- 500以内的蓝牙降噪耳机哪款好?高性价比降噪蓝牙耳机分享