多智能体的常见设定： 合作关系。比如工业机器人 竞争关系。比如拳击比赛 合作-竞争混合。比如机器人足球比赛 利己主义。比如股票自动交易系统 多智能体系统的术语： 有n个智能体； \(S\)为状态 ...

多智能体博弈强化学习研究综述笔记 1. 摘要要点 将博弈理论引入强化学习： 可以很好的解决智能体的相互关系 可以解释收敛点对应策略的合理性 可以用均衡解来替代最优解以求得相对有效的策略。 强化学习算法解决不了不存在最优解的问题。 论文的内容 ...

多智能体博弈强化学习研究综述笔记2 标准博弈 共同利益博弈： 常见的有团队博弈、势博弈和 Dec-POMDP 团队博弈：对于构建分布式 AI (DAI)至关重要。 存在的问题：若博弈存在多个纳什均衡，即使每个智能体之间的学习目标幵不冲突 ...

多智能体博弈强化学习研究综述笔记 扩展式博弈 完全信息的扩展式博弈 纳什在博弈论中主要的贡献是证明了在有限玩家有限次标准型博弈下，一定存在混合策略的纳什均衡。但是这个纳什均衡是假设玩家在决策时，其他玩家的策略不会改变，但在扩展式博弈中先决策玩家无法知 道后决策玩家的策略，所以会导致 ...

强化学习入门基础 目录 强化学习入门基础 1. 强化学习基础知识 1.1 强化学习发展历程 1.2 强化学习特点 1.3 强化学习应用 1.4 强化学习基本概念 1.5 强化学习智能体 ...

强化学习： 强化学习作为一门灵感来源于心理学中的行为主义理论的学科，其内容涉及 概率论、统计学、逼近论、凸分析、计算复杂性理论、运筹学 等多学科知识，难度之大，门槛之高，导致其发展速度特别缓慢。 一种解释： 人的一生其实都是不断在强化学习，当你有个动作（action）在某个状态 ...

0x01 价值迭代算法基础概念 0x01.1 奖励 若要实现价值迭代，首先要定义价值，在迷宫任务中，到达目标将获得奖励。 特定时间t给出奖励Rt称为即时奖励 未来获得的奖励总和Gt被称 ...

0x00 机器学习基础 机器学习可分为三类 监督学习 无监督学习 强化学习 三种学习类别的关键点 监督学习需要人为设置参数，设置好标签，然后将数据集分配到不同标签。 无监督学习同样需要设定参数，对无标签的数据集进行分组。 强化学习需要人为设置初始参数 ...