返回
Multi-agent proximal policy optimization supported dynamic behavior tree evolution for multi-agent systems
DOI:10.1016/j.engappai.2026.113841.png)
摘要
En 中文
• 结合MAPPO和动态BT演化的决策方法。
• MAPPO学习到的策略使智能体能够根据环境变化调整BT结构。
• 智能体自主更新其BT,实现可扩展的去中心化系统。
• MAPPO优化后的BT提升任务传播效率并减少完成时间。
• MAPPO与BT模块化增强复杂多智能体系统中的决策能力。
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
Multi-Agent Reinforcement Learning: A Selective Overview of Theories and Algorithms多智能体强化学习: 理论和算法的选择性综述
Embedding multi-agent reinforcement learning into behavior trees with unexpected interruptions将多智能体强化学习嵌入到具有意外中断的行为树中

