MADDPG的pythorch实现——（1）OpenAI MADDPG环境配置

最新推荐文章于 2024-04-18 09:38:35 发布
最新推荐文章于 2024-04-18 09:38:35 发布
阅读量1.9k 收藏 7
点赞数 1
分类专栏： 深度强化学习 文章标签： pycharm ide python
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/m0_52974810/article/details/125003481
版权

参考内容

OpenAI MADDPG配置_cat tree的博客-CSDN博客

工程配置-OpenAI MADDPG - 知乎

一、 下载官方代码，放入自己建的文件夹中

https://github.com/openai/multiagent-particle-envs

二、在anacoda中新建一个虚拟环境

配置Python3.6的环境（3.5.4可能会出现不适配pycharm的情况）。

 根据要求下载所需要的所需要的依赖项（包）。

三、安装多智能体环境

1、激活新建的Python3.6环境（这里命名为“python36”）

activate python36

 2、安装环境

解压缩下载的环境文件后，进入到文件夹内。在终端输入命令。

cd ‘文件夹所在的路径’

安装环境，输入命令

pip install -e .

3、测试环境

python bin/interactive.py --scenario simple.py

出现游戏画面则代表环境安装成功。

七上八下的黑
关注
  • 1
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
基于MADDPG的多智能体博弈对抗算法python实现项目源码+代码注释.zip
10-27
【资源说明】 基于MADDPG的多智能体博弈对抗算法python实现项目源码+代码注释.zip 基于MADDPG的多智能体博弈对抗算法python实现项目源码+代码注释.zip基于MADDPG的多智能体博弈对抗算法python实现项目源码+代码注释.zip基于MADDPG的多智能体博弈对抗算法python实现项目源码+代码注释.zip基于MADDPG的多智能体博弈对抗算法python实现项目源码+代码注释.zip基于MADDPG的多智能体博弈对抗算法python实现项目源码+代码注释.zip基于MADDPG的多智能体博弈对抗算法python实现项目源码+代码注释.zip 基于MADDPG的多智能体博弈对抗算法python实现项目源码+代码注释.zip 【备注】 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可直接用于毕设、课设、作业等。 欢迎下载，沟通交流，互相学习，共同进步！
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： ：
探索MADDPG-PyTorch：智能体协作的新篇章
最新发布
gitblog_00037的博客
04-18 361
探索MADDPG-PyTorch：智能体协作的新篇章 项目地址:https://gitcode.com/shariqiqbal2810/maddpg-pytorch 在这个数字化的时代，人工智能和强化学习（RL）正逐步改变我们对智能系统交互的理解。而MADDPG-PyTorch是一个强大的开源库，它实现了多智能体深度确定性策略梯度（Multi-Agent Deep Deterministic P...
Python-pytorch实现MADDPGmultiagentdeepdeterministicpolicygradient
08-10
pytorch实现MADDPG (multi-agent deep deterministic policy gradient)
MADDPG中环境怎么配置，multiagent包解决
小柴柴是也的博客
04-14 3530
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
MADDPG——环境搭建（多智能体强化学习）
wzc_123456的博客
12-01 4665
anaconda+pytorch+pycharm已安装好后，要在pycharm中搭建MADDPG的环境
maddpg（pytorch）+mpe设置
mokiyan06的博客
03-18 454
在pycharm 中将 common文件夹 Mark Directory as Source Root， 这一步是为了MADDPG工程能够较好的调用multiagent中创建的环境，如图所示。将mpe环境中的multiagent文件夹，拷贝到MADDPG工程目录下（拷贝到MADDPG-master/common 文件夹下），如下图。下面来看starry-sky6688的MADDPG-master代码和mpe环境的配置过程。下载starry-sky6688的MADDPG-master代码。
MADDPG运行环境配置
weixin_43328524的博客
09-30 1112
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.
python mulit函数_pytorch实现MADDPG (multi-agent deep deterministic policy gradient)
weixin_39890633的博客
03-01 1452
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...
Python环境配置实现pip加速过程解析
01-19
背景 学习 Python 的话，仅掌握标准库是远不够的，有很多好用的第三方库我们也需要用到的，比如，由鼎鼎大名的 K 神开发的爬虫必不可少的 requests 库，一般都是必装的库吧。安装第三方库当然还是用 pip 命令安装最方便了。 但是，大家发现 pip install + 包名 的方式 安装第三方库的时候，下载速度很慢，有时还会超时，遇到第三方库比较大时候，是真的很慢，我刚开始学 Python 的时候，我就大意了，没想到这么慢。话说有时都提裤子了，它却报安装超时了。。。咳咳，言归正传，今天就教大家解决这该死的龟速问题。 pip 提速方法主要有两种，一种是临时提速，一种是永久提速。 临时提
RL-MPE:用DDPGMADDPGDQNMADDPG+advantage实验 OpenAI开源的MPE环境
05-13
RL-MPE 用DDPG/MADDPG/DQN/MADDPG+advantage实验 OpenAI开源的MPE环境 OpenAI MPE: OpenAI MADDPG： 自己加入了DQN，与Maddpg+advantage算法。但效果不如Maddpg。另，在游戏中设置了“吃掉消失”的现象。但训练策略与游戏得分有较大的关系，增加“吃掉消失”与“输赢”评判之后，训练效果不佳。
Multi-Agent-Deep-Deterministic-Policy-Gradients:多主体深度确定性策略梯度（MADDPG）算法的Pytorch实现
04-16
多代理深确定性策略梯度 多主体深度确定性策略梯度（MADDPG）算法的Pytorch实现 这是我在论文中提出的算法的实现：“针对混合合作竞争环境的多主体Actor评论家”。 您可以在这里找到本文： : 您将需要安装多代理粒子环境（MAPE），可以在这里找到： : 确保创建具有MAPE依赖项的虚拟环境，因为它们有些过时了。 我还建议使用PyTorch 1.4.0版运行此程序，因为最新版本（1.8）似乎与我在计算批评者损失时使用的就地操作存在问题。 将主存储库克隆到与MAPE相同的目录中可能是最容易的，因为主文件需要该软件包中的make_env函数。 可以在以下位置找到本教程的视频： :
MADDPG的各种环境
12-05
多智能体强化学习 学习环境env
从代码到论文理解并复现MADDPG算法(基于飞桨的强化学习套件PARL)
热门推荐
zbp_12138的博客
07-19 2万+
MADDPG算法是强化学习的进阶算法,在读对应论文Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments的过程中,往往会遇到很多不是很好理解的数学公式,这篇文章旨在帮助读者翻过数学这座大山,从PARL的代码理解MADDPG算法。 把MADDPG拆分成多个算法 什么是多智能体?有哪些环境? 从PARL的代码解读MADDPG 复现“老鹰捉小鸡”的游戏环境 回归论文 1. 把MADDPG拆分成多个算法MADDPG的全称是
安装windows版本的多智能体MADDPG
君子不器
01-12 728
总体的环境是： pip install gym==0.10.5 conda install tensorflow-gpu==1.9.0 1.解压缩maddpg-master.zip和multiagent-particle-envs-master.zip 放在pycharm，别忘了将文件夹转换成Reoursce root。 # 第2，3步可以不用。 2.在maddpg-master文件夹外层目录运行命令pip install -e maddpg-master 3.在multiagent-particle-
MADDPG
Youyali_的博客
09-26 1567
MADDPG代码实现
gradio openai
09-07
Gradio是一个开源的Python库，用于创建自定义的Web界面，以便更方便地使用和展示机器学习模型。OpenAI是一个人工智能研究实验室，专注于开发具有人类水平智能的AI系统。Gradio OpenAI项目结合了这两个工具，使用户能够将OpenAI的模型和功能与Gradio的Web界面相结合，以实现更好的用户体验和展示AI模型的能力。 Gradio OpenAI项目的目标是简化展示和使用OpenAI模型的过程。Gradio库提供了易于使用的API，使开发人员能够快速创建自定义的图形用户界面，并将其与OpenAI模型集成在一起。通过Gradio OpenAI，用户可以轻松地输入文本或其他形式的数据，并查看模型的输出结果。这可以帮助用户更好地理解和评估OpenAI模型的性能，并提供更直观的方式与模型进行交互。 Gradio OpenAI还提供了许多其他功能，例如将多个模型集成在一个界面中，调整和交互式地改变模型的参数，支持多种输入和输出类型等等。这些功能使得用户能够更灵活地探索和使用OpenAI模型，为模型的应用领域提供更大的可能性。 总之，Gradio OpenAI项目是一个强大而便捷的工具，使用户能够更轻松地展示和使用OpenAI模型。通过将Gradio和OpenAI结合起来，用户可以创建交互式的Web界面，直观地探索和评估OpenAI模型，从而为人工智能的研究和应用提供更广阔的前景。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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