多智能体强化学习理论及其应用综述
创建时间：2025-02-13 10:23
源自：模式识别与人工智能
关键词： 深度强化学习, 多智能体, 效用分配, 人类反馈, 马尔科夫决策过程
摘 要： 强化学习是一种用于解决序列决策问题的常用机器学习方法，核心思想是让智能体与环境交互获得反馈，从而逐步学会最佳策略。随着实际应用对计算能力和数据规模的要求不断提高，单体智能转向群体智能逐渐成为人工智能未来发展的必然趋势，这为强化学习带来诸多新的机遇和挑战。文中首先从深度多智能体强化学习概念着手，针对目前的理论困境，如可拓展性较差、效用分配较难、探索-利用困境、环境非稳态、信息部分可观测等问题，进行提炼和分析。然后，详细阐述目前学者对于这些问题提出的多种解决方法及其优缺点。最后，介绍当前多智能体强化学习的典型训练学习环境和智慧城市建设、游戏、机器人控制、自动驾驶等复杂决策领域的实际应用，并总结协作多智能体强化学习面临的挑战和未来发展方向。
声明:公众号转载的文章及图片出于非商业性的教育和科研目的供大家参考和探讨，并不意味着支持其观点或证实其内容的真实性。版权归原作者所有，如转载稿涉及版权等问题，请立即联系我们删除。
넶浏览量：0
