.png){kind=icon}
返回
Influence Enhanced Sparse Coordination Graphs for Multi-Agent Reinforcement Learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107454.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在当代多智能体强化学习（MARL）中，有效提升价值函数的表达能力一直是持续的研究重点。许多研究采用了价值分解方法；然而，由于忽视了智能体间的协作，这些方法在实现最优性能方面存在不足。后续研究将协调图引入价值分解方法中；但这些方法通常依赖简化的规则来评估智能体间的协作，无法充分描述复杂环境中智能体的协作关系。因此，我们提出影响增强稀疏协调图（IESCG）作为解决方案，以解决上述问题。本研究中，我们提出影响网络作为对智能体间协作重要性的定量描述，并将其作为构建稀疏时变协调图拓扑的关键基础。此外，我们提出循环收益函数网络（RPFN）以融入时序信息，同时为影响网络提供必要的输入。进一步引入稀疏图优势选择系数（SGASC）以稳定不同时间步的整体价值函数，确保训练稳定性。在星际争霸II微观管理和MACO基准上的实验研究表明，本算法不仅加速了收敛并提高了胜率，而且在复杂场景中展现出更显著的优势。
Keyword:
Multi-agent reinforcement learning
Decentralized partially observable Markov
decision process (Dec-POMDP)
Coordination graphs
Q-learning
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
引用论文
Distributed Federated Deep Reinforcement Learning Based Trajectory Optimization for Air-Ground Cooperative Emergency Networks基于分布式联邦深度强化学习的空地协同应急网络轨迹优化
PREAI
分享收藏Multi-Agent Trajectory Prediction With Heterogeneous Edge-Enhanced Graph Attention Network基于异质边增强图注意网络的多智能体轨迹预测
OAAI
OAAI分享收藏
HyperComm: Hypergraph-based communication in multi-agent reinforcement learningHyperComm: 多智能体强化学习中基于超图的通信.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Auto-learning communication reinforcement learning for multi-intersection traffic light control多路口交通灯控制的自动学习通信强化学习
PREAI
分享收藏 没有更多内容
没有更多内容