XiaoMi-AI文件搜索系统
World File Search SystemQMIX
多代理强化学习的趋势
中央服务器。中央服务器然后从这些数据中学习，并指示代理如何在特定情况下采取行动。昏迷（反事实多代理策略梯度）是一种使用CTDE方法设计的算法[3]。使用CTDE结构的另一种算法是QMIX [4]。QMIX结合了单个代理商的回报，以创造全部奖励，以最大程度地提高这种全部奖励。在此过程中，QMIX学习了如何控制每个代理以有效地为整体奖励增加做出贡献。另一方面，顾名思义，Commnet [5]引起了自己的通信神经网络，允许每个代理人直接与其他代理人共享信息。促进合作的另一种方法是在团体奖励和个人奖励之间建立联系。liir（学习个人的内在奖励）提出了一个学习个人奖励的神经网络，鼓励每个代理人自愿为整体群体奖励做出贡献[6]。
一种基于增强学习的差异化奖励方法，基于多车辆合作决策算法
摘要 - 增强学习（RL）在通过州行动 - 奖励反馈循环中优化多车合作驾驶策略的巨大潜力，但它仍然面临着诸如低样本效率之类的挑战。本文提出了一种基于稳态过渡系统的差异奖励方法，该方法通过分析交通流量特征将国家过渡梯度信息纳入奖励设计中，旨在优化多车辆合作决策中的行动选择和政策学习。在不同的自动驾驶汽车渗透率下，在RL算法（例如Mappo，MADQN和QMIX）中验证了所提出的方法的性能。结果表明，在交通效率，安全性和行动合理性方面，差异化奖励方法显着加速了培训的融合，并优于核心奖励和其他方面的奖励。此外，该方法表现出强大的可扩展性和环境适应性，为在复杂的交通情况下制定多机构合作决策提供了一种新颖的方法。