【MADDPG（MPE）——环境配置与用法详细介绍（多智能体强化学习）)】

已于 2022-03-15 20:52:49 修改
阅读量1.5w 收藏 79
点赞数 11
分类专栏： 多智能体强化学习 maddpg 文章标签： python
于 2022-03-15 20:45:43 首次发布
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/weixin_38989380/article/details/123505264
版权

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（Multi-Agent Particle Environment）是由 OpenAI 开源的一款多智能体强化学习实验平台，以 OpenAI 的 gym 为基础，使用 Python 编写而成。它创造了一个简单的多智能体粒子世界，粒子们可以进行连续的观察和离散的动作。

MPE环境安装教程

前期准备

  • 在GitHub网站下载MPE的安装包：https://github.com/openai/multiagent-particle-envs.git

  • 是安装在python环境下的。所以安装前要先装好python，不过我个人是安装anaconda，通过conda创建虚拟环境，好处是便于创建我们需要的不同版本的python环境，很方便，不用重复安装不同版本的python（强烈推荐）。

  • conda虚拟环境的配置，可以参考这篇教程(Windows 10 Anaconda 安装和使用 （最详细）)

MPE 安装包介绍

GitHub源码分为环境和算法两个部分：

  • Multi-Agent Particle Environment
  • Multi-Agent Deep Deterministic Policy Gradient (MADDPG)

</

最低0.47元/天 解锁文章
gby2020
关注
  • 11
    点赞
  • 踩
  • 79
    收藏
    觉得还不错? 一键收藏
  • 29
    评论
专栏目录
强化学习的多智能体场景
禅与计算机程序设计艺术
06-01 690
在人工智能领域中，强化学习（Reinforcement Learning, RL）是一种重要的学习范式。它通过智能体与环境之间的交互来学习和优化决策策略。随着研究的深入和技术的进步，强化学习逐渐从单智能体扩展到多智能体系统中。本文将详细介绍强化学习在多智能体场景中的应用、挑战和发展趋势。 1. 背景介绍
强化学习环境MPE
最新发布
qq_47368990的博客
05-23 169
MPE - PettingZoo Documentation (farama.org)
linux中配置MPE和MADDPG环境
moshiyaofei的博客
12-21 1911
1.使用linux系统：Ubuntu16.04 2.使用的Python环境：Anaconda4.10.1 3.新建Python3.5的conda环境，执行如下命令： conda create -n py35 python=3.5.4 4.安装gym(0.10.5)，执行如下命令： pip install gym==0.10.5 5.此时，执行MPE的代码会报错，原因是pyglet的版本太高了： Exception: pyglet 1.5.21 requires Python 3.6 or
MADDPG中环境怎么配置，multiagent包解决
小柴柴是也的博客
04-14 3798
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
mpe环境介绍
adeya的博客
03-31 372
https://blog.csdn.net/azeyeazeye/article/details/118366382?spm=1001.2101.3001.6650.4&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-4-118366382-blog-123505264.235%5Ev27%5Epc_relevant_3mothn_strategy_and_data_recovery&depth_1-
Multi-agent Particle Environment - MPE多智能体强化学习运行环境的任务简介
热门推荐
普通攻击往后拉的博客
02-28 1万+
MPE环境是一个时间离散、空间连续的二维环境，UI的界面风格如图所示，它通过控制在二维空间中代表不同含义的粒子，实现对于各类MARL算法的验证。MPE被人们广泛所知是借助于那篇NiPS2017的著名多智能体强化学习算法MADDPG的实验环境，可以直接在arxiv中搜索到。 MPE的使用方法与gym的使用方法基本一致，即每一个step通过输入agent的动作状态等信息来换取MPE的环境感知。MPE和gym一样，也是由openai组织进行开发的，其主要有以下几个任务构成。 代码中的环境名称 是否具有交
MPE环境代码解读（MAA2C）
cvdgs56的博客
03-19 1471
MPE环境代码解读
多智能体强化学习（概念知识，不涉及具体算法）
qq_45889056的博客
01-13 1415
具体而言，对于给定的状态和动作空间，Boltzmann策略通过对每个动作的评分进行指数化处理，并对所有动作的指数评分进行归一化，得到每个动作的概率分布。网络结构可以是完全连接的、部分连接的或分层的，这取决于具体问题的设置和智能体之间的交互方式。它通过将其他智能体的行为视为环境的一部分，从而更好地解决了传统多智能体强化学习中的挑战，并为复杂的多智能体系统提供了一种有效的决策方法。MF-MARL的核心思想是，通过对均场状态分布的建模，每个智能体可以将其他智能体视为环境的一部分，并根据这个均场信息进行决策。
MADDPG运行环境配置
weixin_43328524的博客
09-30 1144
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.
MPE环境安装-强化学习的小demo
大鱼治不了水的博客
12-15 5366
这里写自定义目录标题MPE的前世今生MPE安装准备工作环境配置开始安装测试关于如何将你的虚拟环境和pycharm统一 MPE的前世今生 MPE（Multi-Agent Particle Environment）是由 OpenAI 开源的一款多智能体强化学习实验平台，以 OpenAI 的 gym 为基础，使用 Python 编写而成。它创造了一个简单的多智能体粒子世界，粒子们可以进行连续的观察和离散的动作。 MPE安装 准备工作 在GitHub网站下载MPE的安装包：https://github.com/o
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。
multiagent-particle-envs:论文“混合合作竞争环境中的多代理Actor-Critic”中使用的多代理粒子环境代码
04-28
状态：存档（代码按原样提供，预计不会更新） 多代理粒子环境 一个简单的多主体粒子世界，具有连续的观察和离散的动作空间，以及一些基本的模拟物理学。 用于中的 。 入门： 要安装，请cd进入根目录，然后键入pip install -e . 要以交互方式查看移至地标场景（请参阅./scenarios/中的其他内容），请执行以下操作： bin/interactive.py --scenario simple.py 已知依赖项：Python（3.5.4），OpenAI Gym（0.10.5），numpy（1.14.5） 要使用这些环境，请在make_env.py查看将其导入的代码。 代码结构 make_env.py ：包含用于将多代理环境作为类似OpenAI Gym的对象导入的代码。 ./multiagent/environment.py ：包含用于环境模拟的代码（交互物理学， _step
MADDPG的各种环境
12-05
多智能体强化学习 学习环境env
Win10+Anaconda+MPE+MADDPG配置经验贴
weixin_44222308的博客
11-02 1378
博主在学习的过程中也遇到了众多问题，这里是全流程可以实现MADDPG跑通simple的教程，后续可能出一个遇到的问题及解决方案全集。
MADDPG环境搭建
weixin_42301220的博客
11-16 3675
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
【强化学习环境搭建】
CharilePuth的博客
02-24 947
RL的环境搭建
Multi-Agent Particle Environment MPE
qq_43015237的博客
12-16 1019
Status: Archive (code is provided as-is, no updates expected) Multi-Agent Particle Environment A simple multi-agent particle world with a continuous observation and discrete action space, along with some basic simulated physics. Used in the paper Multi-Age
MPE环境介绍
大鱼治不了水的博客
12-15 4391
MPE的环境介绍 原文中给出的解释 环境名称 是否能够Communication 是否进行Competitive 场景说明 simple,py N N 单智能体看到地标位置，并根据距离地标位置的远近获得奖励。这只是一个示例demo，用来测试。 simple_adversary.py(欺骗行为) N Y 1 个反方智能体（红色），N 个正方智能体（绿色），N 个地标（通常 N=2）。 所有智能体都会观察地标和其他智能体的位置。 一个地标是“目标地标”（绿色）。 正方智能体的奖励来自于它们中
多智能体强化学习在线模拟环境有何推荐
05-11
以下是一些多智能体强化学习在线模拟环境的推荐： 1. OpenAI Gym: 这是一个广泛使用的环境，提供了许多单智能体和多智能体强化学习的场景，例如CartPole和Pong等经典游戏，以及RoboSumo和Multi-Agent Particle Environment (MPE)等多智能体场景。 2. Unity ML-Agents: 这是一个使用Unity引擎开发的多智能体强化学习环境，可以用于训练和评估各种多智能体场景，例如交通流量控制、机器人协作和游戏AI等。 3. RLLib: 这是一个基于强化学习的库，提供了许多单智能体和多智能体强化学习的环境，例如Pommerman和Hanabi等多智能体场景。 4. RoboCup Soccer Simulation: 这是一个基于仿真的多智能体足球比赛环境，由国际机器人足球协会（RoboCup）提供，可以用于测试和评估各种多智能体足球比赛算法。 5. MarLGrid: 这是一个基于Python的多智能体强化学习环境，提供了各种网格世界场景，例如Predator-Prey和Cooperative Navigation等。 这些环境都是开源的，可以根据需要进行修改和扩展。
评论 29
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