.png){kind=icon}
返回
Dynamic subtask representation and assignment in cooperative multi-agent tasks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.129535.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在协作式多智能体强化学习中，实现可伸缩性是一个关键目标，通常通过参数共享来实现。但是，参数共享通常会导致同质的代理行为，从而降低了策略多样性。任务分解是在多代理系统中实现可伸缩性和多样性的可行解决方案，但是由于依赖先验知识或忽略代理特定的特性，现有方法在复杂的环境中挣扎。为了弥合这一差距，我们引入了一种新颖的框架，用于在协作多代理任务中学习动态子任务表示和分配 (DSRA)。我们首先利用具有多元高斯分布的变分自动编码器，使代理能够生成动态且不同的子任务表示。之后，我们结合了一个能力编码器，以根据每个代理的能力优化子任务分配过程。为了在分享经验的同时鼓励多样性，我们进一步授权代理商为每个子任务制定单独的政策，促进专业化并鼓励知识共享，特别是在从事类似任务的代理商之间。基于水平的觅食，捕食者-猎物和星际争霸II微观管理挑战的经验结果表明，与现有的MARL方法相比，DSRA显着提高了学习性能。
Keyword:
Multi-agent system
Reinforcement learning
Task decomposition
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
Multi-agent reinforcement learning as a rehearsal for decentralized planning多智能体强化学习作为分散计划的演练.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏Hydrochar-nanocomposite membrane combined hydrothermal pretreatment for nutrient upcycling from anaerobic digestate水热炭-纳米复合材料膜结合水热预处理用于厌氧消化残渣中营养物的循环利用WATER RESEARCH
WATER RESEARCHIF12.4
PREAI
分享收藏Study of bi-directional buck-boost converter topologies for application in electrical vehicle motor drives应用于电动汽车电机驱动的双向buck-boost变换器拓扑研究
PREAI
分享收藏Optimizing energy efficiency of LoRaWAN-based wireless underground sensor networks: A multi-agent reinforcement learning approach基于LoRaWAN的无线地下传感器网络能效优化: 一种多智能体强化学习方法INTERNET OF THINGS
INTERNET OF THINGSIF7.6
PREAI
分享收藏
分享收藏分享收藏Multi-Agent Deep Reinforcement Learning for Urban Traffic Light Control in Vehicular Networks基于多智能体深度强化学习的车辆网络城市交通灯控制
PREAI
分享收藏
查看更多内容