Mit dem Guide verknüpftes Quiz · Mittel Ebene

Lernquiz zur Multiagentenverstärkung

Untersuchen Sie, wie mehrere Reinforcement-Learning-Agenten unter gemeinsamen Belohnungen, wechselnden Gegnern, Teilansichten und Koordinationseinschränkungen lernen.

Verwandte FührungspfadeMulti-Agent-Verstärkungslernen
Frage 1 von 8

Was macht die Umgebung aus der Sicht eines Agenten in MARL „instationär“?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was macht die Umgebung aus der Sicht eines Agenten in MARL „instationär“?
    • Andere Agenten lernen und ändern gleichzeitig ihre eigenen Richtlinien
    • Die Belohnungsfunktion wird in jeder Episode zufällig zurückgesetzt
    • Der Zustandsraum wächst mit der Zeit unbegrenzt
    • Sensoren liefern verrauschte Beobachtungen
  2. Was bedeutet „zentralisierte Schulung mit dezentralisierter Ausführung“ (CTDE)?
    • Agenten werden auf einem einzigen zentralen Server geschult und ausgeführt
    • Ein gemeinsamer Kritiker verwendet während des Trainings globale Informationen, während Agenten beim Einsatz auf der Grundlage lokaler Beobachtungen handeln
    • Ein Master-Agent erteilt zur Laufzeit Befehle an alle anderen
    • Trainingsdaten sind zentralisiert, Belohnungen sind jedoch dezentralisiert
  3. Welcher mathematische Rahmen verallgemeinert die Einzelagenten-MDP auf mehrere Agenten?
    • Ein lineares Programm
    • Ein verstecktes Markov-Modell
    • Ein Markov-Spiel (stochastisches Spiel)
    • Ein endlicher Automat
  4. Wie ist die Belohnung in einer rein kooperativen MARL-Umgebung normalerweise strukturiert?
    • Jeder Agent maximiert eine Belohnung, die das Negative der Belohnung eines anderen ist
    • Nur der schnellste Agent erhält eine Belohnung
    • Die Belohnungen werden bei jedem Schritt zufällig vergeben
    • Agenten teilen sich eine gemeinsame Teambelohnung, die sie gemeinsam maximieren
  5. Which training approach did OpenAI Five use to improve at Dota 2?
    • Self-play against copies of its own current and past policies
    • A fixed lookup table of human moves
    • A supervised-only classifier trained on image labels
    • A single policy trained only against a static scripted opponent
  6. Warum ist die „Kreditzuweisung“ im kooperativen MARL besonders schwierig?
    • Prämien kommen sofort an und sind leicht nachzuverfolgen
    • Es ist schwierig zu bestimmen, welche Aktionen des Agenten zu einem gemeinsamen Teamergebnis beigetragen haben
    • Es gibt immer nur einen Agenten, der eine Belohnung erhält
    • Agenten können überhaupt keine Belohnung beobachten
  7. What structural constraint does QMIX place on its mixing network?
    • It must be a linear sum with fixed weights
    • It ignores all individual agent values
    • The joint action-value is monotonic in each agent’s individual value
    • It requires communication at every action step
  8. How does Value Decomposition Networks (VDN) form the team action-value?
    • By multiplying all rewards by the number of agents
    • By selecting the largest local reward only
    • By training a separate team for each agent
    • By summing the individual agents’ action-values