MADDPG—建立自己的游戏环境（一）

最新推荐文章于 2024-08-08 07:56:47 发布
最新推荐文章于 2024-08-08 07:56:47 发布
阅读量5.4k 收藏 15
点赞数 4
分类专栏： 技能学习中 文章标签： 深度学习 python 强化学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/DAYUZHIBULESHUI/article/details/121969892
版权

MADDPG安装

上一篇我们已经成功安装了MPE环境，可以查看我的上一篇 MPE环境安装-强化学习的小demo
MADDPG的实验环境是MPE，因此，上边这一步是必须的。接下来，就可以安装MADDPG了。
先附上官方论文和项目地址
论文：Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments.
官方项目地址：Multi-Agent Deep Deterministic Policy Gradient (MADDPG)

准备工作

这一切都可以在你已经创建好的MPE的conda虚拟环境中安装。（conda管理环境真的很方便）

  • MPE安装
  • TensorFlow==1.14，可以使用镜像源快速安装：pip install tensorflow -i https://pypi.douban.com/simple

准备安装

下载MADDPG，和MPE环境安装-强化学习的小demo的安装方法一样。在这里，我选择使用命令行下载安装。

cd 到之前创建的MPE文件夹，
~/MPE$    git clone https://ghproxy.com/https://github.com/openai/maddpg

下载结束之后，cd maddpg/进入刚才下载好的文件夹，pip install -e .就完成安装啦。

测试环境

和MPE环境安装-强化学习的小demo一样，我在这里依旧选择使用pycharm来进行编辑。
运行maddpg--experiment---train.py文件，如下图：
在这里插入图片描述运行成功就是下边这样啦！已经开始训练啦！
在这里插入图片描述

如果你想看一下运行的MPE小球的动画，可以更改parser.add_argument("--display", action="store_true", default=False)参数的default=False为default=True
你就可以看到这样的画面了!
在这里插入图片描述

安装小Tips

  • 确保你的MPE环境和MADDPG在同一个project下，因为MADDPG使用的实验环境就是MPE
  • 确保你的gym，tensorflow版本都是正确的
  • 如果还不成功，上网问一问，大家肯定有人和你遇到同样的问题并且想方设法解决了！

怎么样，你的智能体小球也动起来了吗！！！

大鱼治不了水
关注
专栏目录
如何看待深度强化学习？
AI天才研究院
08-13 146
深度强化学习（Deep Reinforcement Learning）是一种机器学习方法，它可以利用机器的经验（Experience）、动作（Action）和奖励（Reward）来训练一个机器学习模型，让它在游戏中以自我驱动的方式不断探索和开发策略，从而最终达到目标。在传统的强化学习（Reinforcement Learning）的基础上，增加了网络结构；用神经网络作为函数approximator来表示状态空间、动作空间和奖励值，对环境的复杂性进行建模；
python mulit函数_pytorch实现MADDPG (multi-agent deep deterministic policy gradient)
weixin_39890633的博客
03-01 1500
An implementation of MADDPG1. IntroductionThe experimental environment is a modified version of Waterworld based on MADRL.2. EnvironmentThe main features (different from MADRL) of the modified Waterwo...
MADDPG——环境搭建（多智能体强化学习）
wzc_123456的博客
12-01 5072
anaconda+pytorch+pycharm已安装好后，要在pycharm中搭建MADDPG的环境
MADDPG 教程
最新发布
gitblog_01028的博客
08-08 833
MADDPG 教程 maddpgCode for the MADDPG algorithm from the paper "Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments"项目地址:https://gitcode.com/gh_mirrors/ma/maddpg 1. 项目介绍 多智能体深度确定性策略...
MADDPG环境搭建
weixin_42301220的博客
11-16 3747
github上openAI已经给出了maddpg的环境配置https://github.com/openai/maddpg以及https://github.com/openai/multiagent-particle-envs，这边进行总结一番。 1.环境配置 ​ 首先确保gym的版本为0.10.5,tensorflow是1.x版本，我的tensorflow是1.14.0,可以运行成功。 打开终端，将路径cd到multiagent-particle-envs文件夹下（即含有setup.py文件的文件
MADDPG-建立自己的游戏环境（simple_world_comm场景）
大鱼治不了水的博客
12-24 3798
simple_world_comm场景 simple_world_comm环境下，包含三种类型的实体（森林（forests），食物（food），地标（landmark）），1个地标（landma，黑色），2个森林（forests，大的绿色），2个食物（food，蓝色）；6个智能体，4个捕食者（adversaries，粉红色），2个猎物（good_agent，小的绿色）。 ...
MADDPG运行环境配置
weixin_43328524的博客
09-30 1173
本文是笔者在配置MADDPG运行环境时遇到的问题与解决方案, 仅供参考.
MADDPG中环境怎么配置，multiagent包解决
小柴柴是也的博客
04-14 3958
一、环境提供 MADDPG： https://github.com/starry-sky6688/MADDPG (pytorch版本) MPE环境：https://github.com/openai/multiagent-particle-envs 论文：《Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments》https://arxiv.org/abs/1706.0227 二、环境配置过程 首先下载MPE环境，然后解
游戏AI的变革者：强化学习深度解析及其应用
强化学习（Reinforcement Learning, RL）是一种学习如何在复杂环境中作出决策的机器学习方法。与监督学习和无监督学习不同，它通过与环境的交互来学习策略，旨在最大化累积奖励。在强化学习中，智能体（Agent）通过...
星际争霸多智能体挑战赛（SMAC）
wq6qeg88的博客
03-30 1398
目录 The StarCraft Multi-Agent Challenge 星际争霸多智能体挑战赛 Abstract摘要 1 Introduction 1 引言 2 Related Work 2 相关工作 3 Multi-Agent Reinforcement Learning 3 多智能体强化学习 Dec-POMDPs12-POMDPs （十二月-POMDP） Centralised training with decentralised execution集中式培训与
多Agent 深度强化学习综述
m0_62870606的博客
01-18 5293
多Agent 深度强化学习综述 人工智能技术与咨询 来源：《自动化学报》，作者梁星星等 摘 要近年来,深度强化学习(Deep reinforcement learning,DRL) 在诸多复杂序贯决策问题中取得巨大突破.由于融合了深度学习强大的表征能力和强化学习有效的策略搜索能力,深度强化学习已经成为实现人工智能颇有前景的学习范式.然而,深度强化学习在多Agent 系统的研究与应用中,仍存在诸多困难和挑战,以StarCraft II 为代表的部分观测环境下的多Agent学习仍然很难达到理想效果..
MADDPG的各种环境
12-05
多智能体强化学习 学习环境env
带有MADDPG的网球：在Pytorch上实现MADDPG
02-14
项目3：合作与竞争 介绍 在这种环境下，两名特工控制球拍在球网上弹跳球。 如果探员将球击中网，则得到+0.1的奖励。 如果探员让一个球击中地面或越界将球击中，则其收益为-0.01。 因此，每个特工的目标是保持比赛中的球权。 观察空间由8个变量组成，分别对应于球和球拍的位置和速度。 每个代理都会收到自己的本地观察结果。 有两个连续的动作可用，分别对应于朝向（或远离）网络的运动和跳跃。 下图显示了最终的奖励进度。 环境在1820集中得到解决 算法： 为了解决此环境，我实现了Multi-DDPG算法。 实现的功能如下： 每个特工都有独立的演员和评论家 集中培训：每个代理的批评者不仅将自己的演员的行为和状态作为输入，而且还将所有其他代理的状态和行为作为输入。 由于在测试过程中仅使用参与者，并且参与者仅取决于相应参与者的状态，因此代理可以自由地学习自己的奖励结构。 下图[来源： ：
OpenAI MADDPG配置
caoyongsheng的博客
04-05 4072
原论文链接： https://arxiv.org/pdf/1706.02275.pdf​arxiv.org 项目配置三步走系列，本文在ubuntu16.04系统下测试成功。 第一步： 环境要求如下： Anaconda安装及对应环境配置，先参考如下链接配置Anaconda环境，记得配置Python3.6的环境。 https://www.jianshu.com/p/66b7291c98...
【MADDPG（MPE）——环境配置与用法详细介绍（多智能体强化学习）)】
weixin_38989380的博客
03-15 1万+
MADDPG（MPE）——环境配置与用法详细介绍（多智能体强化学习）MADDPG（MPE） 介绍MPE环境安装教程前期准备功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 MADDPG（MPE） 介绍 MPE（Multi-Agent
多智能体强化学习入门（四）——MADDPG算法
热门推荐
开贰锤
01-02 1万+
本节内容在https://zhuanlan.zhihu.com/p/53811876。
环境搭建-maddpg
weixin_30954607的博客
02-24 1318
一、安装环境 本人搭建的环境：win10 +Anaconda3-4.2.0+TensorFlow 1.13 +gym 0.10 环境搭建过程参考（在此谢过大神！） https://zhuanlan.zhihu.com/p/41954025 问题1：TensorFlow还不支持python3.7，怎么把python的版本退回到3.6版本？ 装有Anconda的话，只要重新创建一个pytho...
MADDPG环境搭建，包括Python及相关软件安装
cuilllinn的博客
06-03 2801
1.下载Anaconda 参考:https://blog.csdn.net/ITLearnHall/article/details/81708148 注意：环境变量配置3个！\
【三】补发一篇tensorflow下MADDPG环境搭建配置
丨汀、的博客
09-06 1476
相关文章： 【一】MADDPG-单智能体|多智能体总结（理论、算法） 【二】MADDPG多智能体算法实现(parl)【追逐游戏复现】 之前用的都是paddle，现在补一下tf的。 github上openAI已经给出了maddpg的环境配置https://github.com/openai/maddpg以及https://github.com/openai/multiagent-particle-envs， 1.环境配置 ​ 首先确保gym的版本为0.10.5,tensorflow是1.x版本
MADDPG环境配置
09-09
MADDPG的环境配置可以在OpenAI的GitHub上找到，具体链接是https://github.com/openai/maddpg和https://github.com/openai/multiagent-particle-envs。在这些链接中，你可以找到MADDPG算法的实现代码和与之配套的多智能体环境。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值