1. 背景介绍
1.1 单智能体强化学习的局限性
强化学习在单智能体场景中取得了巨大的成功,例如AlphaGo战胜围棋世界冠军。然而,现实世界中许多问题涉及多个智能体之间的交互,例如自动驾驶、机器人协作、多人游戏等。在这些场景中,单个智能体的行为会影响其他智能体的收益,因此需要考虑智能体之间的协作或竞争关系。传统的单智能体强化学习算法难以直接应用于多智能体场景,因为环境变得非平稳,且智能体的策略会相互影响。
1.2 多智能体强化学习的兴起
为了解决单智能体强化学习的局限性,多智能体强化学习(MARL)应运而生。MARL研究多个智能体如何通过交互学习和适应环境,以实现个体或整体目标。MARL算法需要解决以下关键问题:
- 信用分配问题: 如何评估每个智能体对团队收益的贡献?
- 非平稳环境: 其他智能体的策略变化会导致环境对每个智能体而言都是非平稳的。
- 状态空间爆炸: 随着智能体数量的增加,联合状态空间和动作空间会呈指数级增长。
1.3 Q-Learning算法的多智能体扩展
Q-Learning是一种经典的单智能体强化学习算法,它通过学习状态-动作值函数来选择最优动作。Q-Learning算法有多种多智能体扩展方式,例如:
- Independent Q-Learning (IQL): 每个智能体独立学习自己的Q值函数,忽略其他智能体的行为。
- Minimax Q-Learning: