.png){kind=icon}
返回
MOMA-AC: A preference-driven actor-critic framework for continuous multi-objective multi-agent reinforcement learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.132032.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 第一个能够处理连续状态和动作空间的内环多目标多智能体框架。
• 相比基线方法，预期效用性能提升高达3倍。
• 结果表明该框架在更多智能体情况下具有良好的可扩展性。
• 一项研究展示了双判别器在多目标多智能体（MOMA）设置中对抗效用过估计的理论重要性。
Keyword:
Reinforcement learning
Multi-agent
Multi-objective
CTDE
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
H.-L. Tran, L. Doan, N. H. Luong, H. T. T. Binh, A two-stage multi-objective evolutionary reinforcement learning framework for continuous robot control, in: Proceedings of the Genetic and Evolutionary Computation Conference, 2023, pp. 577–585.H.-L. Tran, L. Doan, N. H. Luong, H. T. T. Binh, 一种用于连续机器人控制的两阶段多目标进化强化学习框架，发表于：遗传与进化计算会议论文集，2023年，第577-585页。.png)
IF0
PREAI
分享收藏
Multi-Objective Dynamic Path Planning with Multi-Agent Deep Reinforcement Learning基于多智能体深度强化学习的多目标动态路径规划
OAAI
OAAI分享收藏分享收藏Multi-Objective Reinforcement Learning Based on Decomposition: A Taxonomy and Framework基于分解的多目标强化学习：一种分类法和框架OAAI
OAAI分享收藏MO-MIX: Multi-Objective Multi-Agent Cooperative Decision-Making With Deep Reinforcement Learning
PREAI
分享收藏
查看更多内容