IC3Net 开源项目教程

IC3Net 开源项目教程

IC3NetCode for ICLR 2019 paper: Learning when to Communicate at Scale in Multiagent Cooperative and Competitive Tasks项目地址:https://gitcode.com/gh_mirrors/ic/IC3Net

项目介绍

IC3Net 是一个用于多智能体合作与竞争任务的网络，旨在学习在规模化场景中何时进行通信。该项目在 ICLR 2019 被接受，并提供了多种任务的实现，包括 StarCraft BroodWar 探索和战斗场景。IC3Net 通过一个门控机制控制连续通信，并使用每个智能体的个性化奖励来提高性能和可扩展性，同时解决信用分配问题。

项目快速启动

安装

1. 克隆仓库：

   git clone https://github.com/IC3Net/IC3Net.git
   cd IC3Net
   

2. 安装环境：

   cd ic3net-envs
   python setup.py develop
   

3. 安装依赖：

   pip install -r requirements.txt
   

运行示例

Predator-Prey 任务（简单版本）：

python main.py --env_name predator_prey --nagents 3 --nprocesses 16 --num_epochs 2000 --hid_size 128 --detach_gap

应用案例和最佳实践

案例一：StarCraft BroodWar 探索

IC3Net 在 StarCraft BroodWar 探索任务中表现出色，通过学习何时进行通信，智能体能够更有效地探索地图并发现资源。

案例二：多智能体战斗

在多智能体战斗场景中，IC3Net 通过智能体之间的有效通信，提高了战斗的协同效率，减少了不必要的资源消耗。

最佳实践

• 参数调优：根据具体任务调整 nagents、nprocesses 和 num_epochs 等参数，以达到最佳性能。
• 环境配置：确保环境配置正确，特别是在多核机器上运行时，使用 OMP_NUM_THREADS=1 限制线程数。

典型生态项目

gym-starcraft

gym-starcraft 是一个用于 StarCraft 环境的 Gym 接口，提供了丰富的 StarCraft 任务和场景，与 IC3Net 结合使用可以实现更复杂的多智能体任务。

ic3net-envs

ic3net-envs 包含了 IC3Net 的多种环境实现，如 Predator-Prey 和 Traffic-Junction，为 IC3Net 提供了多样化的测试场景。

通过这些生态项目的结合使用，可以进一步扩展 IC3Net 的应用范围和性能。

IC3NetCode for ICLR 2019 paper: Learning when to Communicate at Scale in Multiagent Cooperative and Competitive Tasks项目地址:https://gitcode.com/gh_mirrors/ic/IC3Net