文章目录
QMIX 是一种基于 Value-Based 的多智能体强化学习算法(MARL),其基本思想来源于 Actor-Critic 与 DQN 的结合。使用中心式学习(Centralized Learning)分布式执行(Distributed Execution)的方法,利用中心式 Critic 网络接受全局状态用于指导 Actor 进行更新。QMIX 中 Critic 网络的更新方式和 DQN 相似,使用 TD-Error 进行网络自更新。除此之外,QMIX 中为 Critic 网络设立了 evaluate net 和 target net, 这和 DQN 中的设计思想完全相符。
1. QMIX 解决了什么问题(Motivation)
QMIX 是一种解决多智能体强化学习问题的算法,对于大多数多智能体强化学习问题(MARL)都面临着同样一个问题:信度分配(也叫回报分配)。
这是指,当多个 Agent 在同时执行任务时,我们应该怎样合理的去评价每一个 Agent 的行为效用,举个例子:
假设我们现在正在训练一个算法模型,使用该算法模型去玩 MOBA 类游戏(DOTA 或者 LOL),算法模型需要同时操控 5 个英雄。在训练过程中遇到了这样一个情况:我方 3 个英雄迎面撞上了敌方 1 个英雄。此时,算法模型控制 1 号英雄和 2 号英雄对敌方英雄发起进攻,但却让 3 号英雄撤退。那么最终,因为 2 打 1 的局面,我方成功击败对方英雄,获得了 10 分的奖励分(Reward),那么我们该怎样为我方的这 3 个英雄进行奖励分配?
在上面案例中,我们很明显能看出,在人数占优势的情况下,算法选择让 1 号和 2 号英雄一起发起进攻是一次正确的尝试,而让 3 号英雄尝试撤退显然就不那么明智了。由于对 1 号和 2 号的正确决策,使得整个指挥策略得到了正向的奖励分(Positive Reward),但显然我们不能直接将这个正向奖励分同时应用到这 3 个英雄上。
我们希望被正确决策的英雄(1 号和 2 号)获得较高的奖励分,而被错误决策的英雄(3 号)获得负的惩罚分,即最后的期望得分可能为:1 号(8分),2 号(8分),3 号(-6分)。
三个英雄的得分总和加起来还是 10 分,只是每个英雄能够按照自己的实际情况获得对应的合理奖励分。
这就是 回报分配 的概念。
回报分配通常分为两种类型: 自下而上类型 和 自上而下类型。
-
自上而下类型:这种类型通常指我们只能拿到一个团队的最终得分,而无法获得每一个 Agent 的独立得分,因此我们需要把团队回报(Team Reward)合理的分配给每一个独立的 Agent(Individual Reward),这个过程通常也叫 “独立回报分配”(Individual Reward Assign)。上述例子就属于这种类型,典型的代表算法为 COMA算法。
-
自下而上类型:另外一种类型恰恰相反,指当我们只能获得每个 Agent 的独立回报(Individual)时,如何使得整个团队的团队得分(Team Reward)最大化。
QMIX 算法解决的是上述第二种类型的问题,即,在获得各 Agent 的独立回报的情况下,如何使得整个团队的团队收益最大化问题。
2. QMIX 怎样解决团队收益最大化问题(Method)
2.1 算法大框架 —— 基于 AC 框架的 CTDE(Centralized Training Distributed Execution) 模式
多智能体强化学习(MARL)训练中面临的最大问题是:训练阶段和执行阶段获取的信息可能存在不对等问题。即,在训练的时候我们可以获得大量的全局信息(事实证明,只有获取足够的信息模型才能被有效训练)。
但在最终应用模型的时候,我们是无法获取到训练时那么多的全局信息的,因此,人们提出两个训练网络:一个为中心式训练网络(Critic),该网络只在训练阶段存在,获取全局信息作为输入并指导 Agent 行为控制网络(Actor)进行更新;另一个为行为控制网络(Actor),该网络也是最终被应用的网络,在训练和应用阶段都保持着相同的数据输入。
AC 算法的应用非常广泛,QMIX 在设计时同样借鉴了 AC 的 “中心式网络” 和 “分布式执行器” 的想法,整个网络包含了 Mixing Network(类比 Critic 网络)和 Agent RNN Network(类比 Actor 网络),整个网络架构图如下所示:
![](https://i-blog.csdnimg.cn/blog_migrate/3ce4ceb5fac354267514307facd19112.png)
下面我们分别来看看 Mixing Network 和 RNN Network 的详细设计。
2.2 Agent RNN Network
QMIX 中每一个 Agent 都由 RNN 网络控制,在训练时你可以为每一个 Agent 个体都训练一个独立的 RNN 网络,同样也可以所有 Agent 复用同一个 RNN 网络,这取决于你自己的设计。
RNN 网络一共包含 3 层,输入层(MLP)→ 中间层(GRU)→ 输出层(MLP),实现代码如下:
class RNN(nn.Module):
# 所有 Agent 共享同一网络, 因此 input_shape = obs_shape + n_actions + n_agents(one_hot_code)
def __init__(self, input_shape, args):
super().__init__()
self.fc1 = nn.Linear(input_shape, args.rnn_hidden_dim)
self.rnn = nn.GRUCell(args.rnn_hidden_dim, args.rnn_hidden_dim) # GRUCell(input_size, hidden_size)
self.fc2 = nn.Linear(args.rnn_hidden_dim, args.n_actions)
def forward(self, obs, hidden_state):
x = F.relu(self.fc1(obs))
h_in = hidden_state.reshape(-1, self.args.rnn_hidden_dim)
h = self.rnn(x, h_in) # GRUCell 的输入要求(current_input, last_hidden_state)
q = self.fc2(h) # h 是这一时刻的隐状态,用于输到下一时刻的RNN网络中去,q 是真实行为Q值输出
return q, h
2.3 Mixing Network
Mixing 网络相当于 Critic 网络,同时接收 Agent RNN Network 的 Q 值和当前全局状态 s t s_t st ,输出在当前状态下所有 Agent 联合行为 u u u 的行为效用值 Q t o t Q_{tot} Qtot。
![](https://i-blog.csdnimg.cn/blog_migrate/a531be7811f1fe4136655b661c4adab4.png)
Mixing 同样使用神经网络结构,不同的是,上图中蓝色部分(中间层神经元)的权重(weights)和偏差(bias)均由右边红色的神经网络产生。即,Mixing 网络中实际包含两个神经网络,红色参数生成网络 & 蓝色推理网络。
- 参数生成网络: 接收全局状态 s t s_t st,生成蓝色网络中的神经元权重(weights)和偏差(bias)。
- 推理网络:接收所有 Agent 的行为效用值 Q Q Q,并将参数生成网络生成的权重和偏差赋值到网络自身,从而推理出全局效用 Q t o t Q_{tot} Qtot。
下图是推理网络示意图,只含有一个隐层,与隐层相连接的 weights 和 bias 均由参数生成网络生成,每一层需要的 weights 和 bias 维度如下图所示:
![](https://i-blog.csdnimg.cn/blog_migrate/1576d04fbd714eb610136435d86c60f7.png)
结合上图,我们来看看 Mixing 网络实现代码:
class QMixNet(nn.Module):
def __init__(self, arglist):
super().__init__()
self.arglist = arglist
# 因为生成的 hyper_w1 需要是一个矩阵,而 pytorch 神经网络只能输出一个向量,
# 所以就先输出长度为需要的 矩阵行*矩阵列 的向量,然后再转化成矩阵
# hyper_w1 网络用于输出推理网络中的第一层神经元所需的 weights,
# 推理网络第一层需要 qmix_hidden * n_agents 个偏差值,因此 hyper_w1 网络输出维度为 qmix_hidden * n_agents
self.hyper_w1 = nn.Sequential(nn.Linear(arglist.state_shape, arglist.hyper_hidden_dim),
nn.ReLU(),
nn.Linear(arglist.hyper_hidden_dim, arglist.n_agents * arglist.qmix_hidden_dim))
# hyper_w2 生成推理网络需要的从隐层到输出 Q 值的所有 weights,共 qmix_hidden 个
self.hyper_w2 = nn.Sequential(nn.Linear(arglist.state_shape, arglist.hyper_hidden_dim),
nn.ReLU(),
nn.Linear(arglist.hyper_hidden_dim, arglist.qmix_hidden_dim))
# hyper_b1 生成第一层网络对应维度的偏差 bias
self.hyper_b1 = nn.Linear(arglist.state_shape, arglist.qmix_hidden_dim)
# hyper_b2 生成对应从隐层到输出 Q 值层的 bias
self.hyper_b2 =nn.Sequential(nn.Linear(arglist.state_shape, arglist.qmix_hidden_dim),
nn.ReLU(),
nn.Linear(arglist.qmix_hidden_dim, 1)
)
def forward(self, q_values, states): # states的shape为(episode_num, max_episode_len, state_shape)
# 传入的q_values是三维的,shape为(episode_num, max_episode_len, n_agents)
episode_num = q_values.size(0)
q_values = q_values.view(-1, 1, self.arglist.n_agents) # (episode_num * max_episode_len, 1, n_agents)
states = states.reshape(-1, self.arglist.state_shape) # (episode_num * max_episode_len, state_shape)
w1 = torch.abs(self.hyper_w1(states))
b1 = self.hyper_b1(states)
w1 = w1.view(-1, self.arglist.n_agents, self.arglist.qmix_hidden_dim)
b1 = b1.view(-1, 1, self.arglist.qmix_hidden_dim)
hidden = F.elu(torch.bmm(q_values, w1) + b1) # torch.bmm(a, b) 计算矩阵 a 和矩阵 b 相乘
w2 = torch.abs(self.hyper_w2(states))
b2 = self.hyper_b2(states)
w2 = w2.view(-1, self.arglist.qmix_hidden_dim, 1)
b2 = b2.view(-1, 1, 1)
q_total = torch.bmm(hidden, w2) + b2
q_total = q_total.view(episode_num, -1, 1)
return q_total
2.4 模型更新流程
至此,我们已经了解了 QMIX 中主要网络的结构了,现在我们来看看训练过程中这些神经网络是如何进行参数更新的吧。
QMIX 的更新方式和 DQN 非常类似,设定 evaluate Net 和 target Net,并利用 TD-Error 完成参数更新:
l o s s = T D E r r o r = Q t o t ( e v a l u t a t e ) − ( r + γ Q t o t ( t a r g e t ) ) loss = TDError = Q_{tot}(evalutate) - (r + \gamma Q_{tot}(target)) loss=TDError=Qtot(evalutate)−(r+γQtot(target))
由上述公式可以看出,一共存在两个 Mixing 网络(evaluate & target),两个网络分别用于产生 Q t o t ( e v a l u a t e ) Q_{tot}(evaluate) Qtot(evaluate) 和 Q t o t ( t a r g e t ) Q_{tot}(target) Qtot(target),两个网络接收不同的输入:
- eval 网络: 接收在状态 s s s 下每个 Agent RNN Network 所选行为的 Q Q Q 值作为输入,输出 Q t o t ( e v a l u a t e ) Q_{tot}(evaluate) Qtot(evaluate)。
- target 网络:接收在状态 s n e x t s_{next} snext 下每个 Agent RNN Network 所有行为中最大的 Q Q Q 值作为输入,输出 Q t o t ( t a r g e t ) Q_{tot}(target) Qtot(target)。
实现代码如下:
def learn(self, batch):
episode_num = batch['o'].shape[0]
self.init_hidden(episode_num)
# 把 batch 里的数据转化成 tensor
for key in batch.keys():
if key == 'u':
batch[key] = torch.tensor(batch[key], dtype=torch.long)
else:
batch[key] = torch.tensor(batch[key], dtype=torch.float32)
s, s_next, u, r, avail_u, avail_u_next, terminated = batch['s'], batch['s_next'], batch['u'], \
batch['r'], batch['avail_u'], batch['avail_u_next'],\
batch['terminated']
# 得到每个 agent 对应的 Q 值列表
q_evals, q_targets = self.get_q_values(batch)
# 取出每个 agent 所选择动作的对应 Q 值
q_evals = torch.gather(q_evals, dim=3, index=u).squeeze(3)
# 得到target_q,取所有行为中最大的 Q 值
q_targets[avail_u_next == 0.0] = - 9999999 # 如果该行为不可选,则把该行为的Q值设为极小值,保证不会被选到
q_targets = q_targets.max(dim=3)[0]
# qmix更新过程,evaluate网络输入的是每个agent选出来的行为的q值,target网络输入的是每个agent最大的q值,和DQN更新方式一样
q_total_eval = self.eval_qmix_net(q_evals, s)
q_total_target = self.target_qmix_net(q_targets, s_next)
targets = r + self.arglist.gamma * q_total_target * (1 - terminated)
td_error = (q_total_eval - targets.detach())
# 不能直接用mean,因为还有许多经验是没用的,所以要求和再比真实的经验数,才是真正的均值
loss = (masked_td_error ** 2).sum() / mask.sum()
self.optimizer.zero_grad()
loss.backward()
torch.nn.utils.clip_grad_norm_(self.eval_parameters, self.arglist.grad_norm_clip)
self.optimizer.step()
# 在指定周期更新 target network 的参数
if train_step > 0 and train_step % self.arglist.target_update_cycle == 0:
self.target_rnn.load_state_dict(self.eval_rnn.state_dict())
self.target_qmix_net.load_state_dict(self.eval_qmix_net.state_dict())
3. QMIX 效果
下图是 QMIX 论文中给出的 QMIX 与其他算法之间的效果对比图:
![](https://i-blog.csdnimg.cn/blog_migrate/be629dd3045014af81beb82c8d700a66.png)
可以看出,QMIX 相较于 IQL 有明显大幅度的提升,并且比 VDN 具有更优的效果。QMIX 实质上是 VDN 的一个改进版本,在 VDN 中直接将每个 Agent 的 Q Q Q 值相加得到 Q t o t Q_{tot} Qtot,而在 QMIX 中,利用两个神经网络,结合每个 Agent 的 Q Q Q 值与全局状态 s t s_t st 共同推理出全局效用 Q t o t Q_{tot} Qtot,从结果来看确实比 VDN 在效果上有一定的提升。
QMIX 论文链接: https://arxiv.org/pdf/1803.11485.pdf
QMIX 实现代码:https://github.com/oxwhirl/smac