概述
多智能体强化学习 (MARL) 训练多个共享环境的学习智能体，每个智能体都适应自己的行为，而其他智能体也会适应。这很重要，因为大多数现实世界的问题——交通、市场、机器人团队——都涉及许多决策者，而不是一个人。
多智能体强化学习位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。
深入探讨
在单代理强化学习中，一个代理通过在固定环境中最大化奖励来学习策略。 MARL 添加了更多代理，这改变了一切：从每个代理的角度来看，环境是非静态的，因为其他代理不断改变他们的策略。智能体可以是合作型的（分享团队奖励，比如踢足球的机器人），也可以是竞争型的（零和游戏，比如扑克或追逃），或者是混合型的。研究人员使用诸如马尔可夫博弈（随机博弈）之类的形式来概括单智能体马尔可夫决策过程。著名的成果包括 DeepMind 的 AlphaStar 在《星际争霸 II》中达到大师级水平，以及 OpenAI 五支击败职业 Dota 2 队伍的成绩，两者都依赖于通过自我对战相互训练的智能体群体。
技术洞察
一个核心挑战是非平稳性：当每个智能体更新其策略时，其他智能体面临一个移动目标，因此天真的独立学习可能无法收敛。一种流行的解决方案是采用分散执行的集中式训练 (CTDE)，由 MADDPG 和 QMIX 等算法使用。在训练期间，批评者会看到所有代理的观察和操作来计算稳定的梯度，但在部署时，每个代理仅使用自己的本地观察进行操作 - 将协调学习与实际的独立操作相结合。
掌握多智能体强化学习
多智能体强化学习 (MARL) 训练多个共享环境的学习智能体，每个智能体都适应自己的行为，而其他智能体也会适应。这很重要，因为大多数现实世界的问题——交通、市场、机器人团队——都涉及许多决策者，而不是一个人。多智能体强化学习位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。为了建立深入的理解，请将多智能体强化学习视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用多智能体强化学习的强大团队首先构建强大的概念模型，然后将这些模型映射到实际的生产约束。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它可以帮助您将清晰的技术声明与营销语言分开。同时，不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它可以帮助您将清晰的技术声明与营销语言分开。
它可以帮助您将清晰的技术声明与营销语言分开。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
在花费金钱或时间之前，您可以提出更好的实施问题。
在花费金钱或时间之前，您可以提出更好的实施问题。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
具有共同理解的团队可以做出更好的产品、政策和学习决策。
具有共同理解的团队可以做出更好的产品、政策和学习决策。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
协调仓库机器人车队，以便它们在运送包裹时不会在过道中发生碰撞或僵局
交通信号控制，每个路口都是一个学习减少全市拥堵的代理
通过多个智能体之间的自我对弈来训练游戏 AI，如 OpenAI Five (Dota 2) 和 AlphaStar (StarCraft II)
管理智能电网中分布式电池和家庭之间的投标和需求响应
实施模式
多智能体强化学习实践
协调仓库机器人车队，以便它们在运送包裹时不会在过道中发生碰撞或僵局。
协调仓库机器人车队，以便在通道中运送包裹时不会发生碰撞或僵局。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
多智能体强化学习实践
交通信号控制，其中每个十字路口都是一个学习减少全市拥堵的代理。
交通信号控制，其中每个交叉口都是一个学习减少全市拥堵的代理。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会得到更好的结果。
多智能体强化学习实践
通过在多个智能体之间进行自我对弈来训练游戏 AI，如 OpenAI Five (Dota 2) 和 AlphaStar (StarCraft II)。
通过在多个代理之间进行自我对弈来训练 OpenAI Five (Dota 2) 和 AlphaStar (StarCraft II) 等游戏 AI 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
多智能体强化学习实践
管理智能电网中分布式电池和家庭之间的投标和需求响应。
管理智能电网中分布式电池和家庭之间的投标和需求响应当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
基准测试可能看起来很强大，但实际性能却参差不齐。
忽视数据质量和评估计划通常会产生脆弱的结果。
实施路线图
从您需要的结果的简单语言定义开始。
从您需要的结果的简单语言定义开始。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在测试之前选择一种成功指标和一种失败条件。
在测试之前选择一种成功指标和一种失败条件。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用代表性数据运行小型试点，而不是完善的演示集。
使用代表性数据运行小型试点，而不是完善的演示集。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
记录多智能体强化学习在哪些方面有帮助以及在哪些方面更简单的方法更好。
记录多智能体强化学习在哪些方面有帮助以及在哪些方面更简单的方法更好。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。