两级图表注意力范式与差异化战略集成,用于异构的多代理强化学习学习

科学领域:

• 人工智能的人工智能
• 多代理系统 多代理系统
• 强化学习是一种强化学习.

背景情况:

• 异质多代理系统 (MAS) 由于代理人数量不断增加和能力多样化,在沟通和协调方面面临挑战.
• 现有的框架难以在大规模,异质的环境中管理复杂的相互作用和决策.

研究的目的:

• 提出一种基于政策的新型群体学习框架,双层图表注意力范式 (Bi-GAP),用于异构的MAS.
• 解决在离散和连续领域的沟通,协调和决策方面的挑战.
• 为了提高MAS在干扰下的稳定性和适应性.

主要方法:

• 开发了一个双层图的注意力架构,以在群体内和跨群体层次上模型代理互动.
• 综合差异化战略,多视角指导,平衡全球协调与地方推理.
• 为异质代理人实施基于政策的群体学习框架.

主要成果:

• 与最先进的多代理强化学习 (MARL) 基线相比,Bi-GAP表现优越.
• 该框架在离散 (StarCraft II微观管理) 和连续 (多代理粒子环境捕食者-捕食者) 设置中显示出一致的优异性.
• 双GAP实现了灵活和选择性的通信,减少了消息开销,提高了MAS的稳定性.

结论:

• Bi-GAP提供了一个有效的解决方案,用于协调和决策,在复杂的异质的MAS.
• 拟议的框架通过提供强大且可适应的方法来推动MARL领域的发展.
• Bi-GAP的层次结构和综合战略是其在不同环境中的成功的关键.