多智能体强化学习入门（三）——矩阵博弈中的分布式学习算法

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.6k累计阅读 1.7k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄10年

关注

原创最新推荐文章于 2026-08-11 16:16:25 发布 1.6k 阅读 AI 写同款· GEO 优化 ›

多智能体强化学习QMIX论文笔记本文首发于https://zhuanlan.zhihu.com/p/327129657，欢迎关注知乎专栏https://www.zhihu.com/column/c_1317610869467709440，不定期更新多智能体强化学习相关的论文 QMIX:Monotonic Value Function Factorisation for Deep Multi-agent Reinforcement Learning QMIX是多智能体强化学习中比较经典的算法之一，其在DQN类的值函数强化学习的基础上进行改进阅读详情

本节内容在https://zhuanlan.zhihu.com/p/53622102

收录于

强化学习

当前文章被收录于：

强化学习

22 篇文章 28 人学习

订阅专栏查看详情

多智能体强化学习柠檬糖

当前文章被收录于：

多智能体强化学习柠檬糖

5 篇文章 8 人学习

多智能体强化学习入门

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#强化学习 #多智能体强化学习

强化学习 之 多智能体（Multi-Agent）强化学习 参考 1、多智能体强化学习入门（一）——基础知识与博弈 2、《Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments》论文解读阅读详情

相关推荐

多智能体强化学习实战指南：从博弈论到算法落地（附架构图）

见山是山：理解基础架构与算法见山不是山：洞察智能体间的博弈本质见山还是山：构建稳定高效的智能体社会实践检查清单。

Conan_0728的博客 1733

【控制】多智能体系统总结。1. 系统模型。2.控制目标。3.模型转换。

文章目录1. 二阶系统模型1.1 普通一维二阶系统1.2 普通二维二阶系统2. 控制目标3. 控制协议 1. 二阶系统模型 1.1 普通一维二阶系统 {pi˙=vivi˙=ui()\left\{\begin{aligned} \dot{p_i} & = v_i \\ \dot{v_i} & = u_i \\ \end{aligned}\right. \tag{}{pi˙vi˙=vi=ui() 单个智能体转换成状态空间表达式为 [p˙iv˙i]=[0100][pivi]+[

赵继超的笔记 3924

多智能体博弈：从博弈论基础到强化学习实战

博弈论是研究多个决策主体在相互影响下进行策略互动的数学理论框架，其核心在于分析个体理性决策与群体均衡状态之间的关系。这一原理为理解复杂系统中的协作与竞争行为提供了基础。在人工智能领域，尤其是强化学习中，博弈论的价值得以凸显，它使得智能体能够超越单一个体优化，学会在共享环境中与其他智能体互动。其关键技术价值在于能够建模并求解多智能体交互中的稳定策略，例如纳什均衡。这直接应用于需要协同或对抗的复杂场景，如机器人协作、自动驾驶决策和算法交易等。本文聚焦于多智能体强化学习，深入探讨了在合作、竞争及混合动机环境中，如

512

【控制】《多智能体系统一致性与复杂网络同步控制》郭凌老师-第1章-绪论

无回到目录第1章第1章-绪论1.1 多智能体系统的一致性1.1.1 研究背景1.1.2 研究现状1. 一阶积分器系统2. 二阶系统3. 高阶系统4. 线性系统5. 非线性系统1.2 复杂动态网络的同步1.2.1 研究背景1.2.2 研究现状1.3 预备知识1.3.1 代数图理论1.3.2 矩阵论1.3.3 稳定性理论1.3.4 重要结论 1.1 多智能体系统的一致性 1.1.1 研究背景 1.1.2 研究现状 Boid 模型 Vicsek 模型 1. 一阶积分器系统 2. 二阶系统 3....

赵继超的笔记 2900

【论文笔记】AAAI2022多智能体强化学习论文五篇

修改自我的组会报告ppt。文章目录引子Anytime Multi-Agent Path Finding via Machine Learning-Guided Large Neighborhood SearchMAPF-LNS2: Fast Repairing for Multi-Agent Path Finding via Large Neighborhood SearchScenic4RL: Programmatic Modeling and Generation of Real-time Strat

Xixoqw的博客 7343

多智能体博弈：从博弈论基础到强化学习实践

博弈论为分析多个理性决策者在策略性互动中的行为提供了核心数学框架，其核心概念如纳什均衡，描述了策略组合的稳定状态，是理解策略相互依赖性的关键。这一理论在多智能体系统中具有极高的技术价值，它使得智能体能在合作、竞争或混合动机的复杂动态环境中进行有效决策。其应用场景广泛，从自动驾驶协同到多机器人协作，都依赖于对博弈动态的建模。本文将这一基础理论与多智能体强化学习相结合，探讨了在动态博弈中学习策略的挑战，并深入分析了集中式训练与分布式执行（CTDE）这一主流范式，以及价值分解、对手建模等关键技术如何应对环境非平稳

Hi, Sun 448

【深度强化学习】多智能体算法汇总

本文收纳了常见的多智能体强化学习方法，并简单介绍各个算法。

见见大魔王 1万+

多智能体强化学习 (MultiAgent Reinforcement Learning)

强化学习 (Reinforcement Learning, RL) 是一种机器学习方法，它通过智能体与环境的交互来学习最优策略。在强化学习中，智能体通过观察环境的状态，采取行动并获得奖励，从而学习如何在不同的状态下采取最优的行动。强化学习已经在许多领域得到了广泛的应用，例如游戏、机器人控制、自然语言处理等。然而，在许多实际应用中，我们需要处理多个智能体之间的交互。例如，在博弈中，每个玩家都是一个智能体，他们的行动会影响其他玩家的奖励。在机器人控制中，多个机器人需要协作完成任务。

AI天才研究院 2418

多智能体强化学习_多智能体强化学习入门（三）——矩阵博弈中的分布式学习算法...

相关连接：ECKai：多智能体强化学习入门（一）——基础知识与博弈zhuanlan.zhihu.comECKai：多智能体强化学习入门（二）——基础算法（MiniMax-Q，NashQ，FFQ，WoLF-PHC）zhuanlan.zhihu.comECKai：多智能体强化学习入门（三）——矩阵博弈中的分布式学习算法zhuanlan.zhihu.comECKai：多智能体强化学习入门（四）——...

weixin_40001245的博客 1110

A robust and easy to implement method for IMU calibration without external equipments（IMU标定）

A robust and easy to implement method for IMU calibration without external equipments 1 标定原理1 亲试可用，还有动态演示效果不错。相比商用产品的简易标定流程，该标定方法有以下几点不同：给出了加速度计和陀螺仪更复杂的模型。利用Allan方差的定义，标定陀螺仪的偏置。大量冗余数据，保证最优化收敛。利用数十...

擦擦擦大侠的博客 3948

.NET MAUI 第13讲深入探索 .NET MAUI Essentials：让应用感知设备与环境，打造智能体验

摘要：本文介绍了.NET MAUI Essentials库如何赋能移动应用感知设备环境的能力。文章详细讲解了设备信息获取(DeviceInfo)、网络状态监测(Connectivity)、地理位置服务(Geolocation)、地图集成(Map)以及传感器(Accelerometer等)等核心功能的使用方法，并提供了完整的代码示例。通过一个综合练习，展示了如何构建设备信息仪表板，实时显示设备参数和网络状态，并实现位置获取与地图导航功能。这些跨平台API能显著提升应用智能化和用户体验，同时保持代码简洁高效。

AlphaNil的博客 1087

多智能体强化学习入门

参考文章：万字长文：详解多智能体强化学习的基础和应用、多智能体强化学习入门（一）——基础知识与博弈推荐文章：多智能体强化学习路线图 (MARL Roadmap) 推荐综述论文：An Overview of Multi-Agent Reinforcement Learning from Game Theoretical Perspective 参考书籍：《深度强化学习学科前沿与实战应用》 多智能体强化学习（Multi-agent RL简称MARL），是由RL和多智能体系统结合而成的新领域。多智能体系统起源

小星AI 2万+

（3万字深度解析）Kaggle《房价预测：高级回归技巧》详解复现攻略

在这篇教程式文章中，我们从零开始完成了 Kaggle《房价预测：高级回归技巧》比赛的复现工作，涵盖了数据预处理、特征工程、模型训练、调优、解释和融合的完整流程。深入理解数据：阅读数据描述，结合常识对每个特征作出合理处理（如缺失值填充’None’表示无此设施、异常值剔除等）。对目标和偏态特征进行对数变换，使分布更平滑，从而更好满足模型假设并提升准确度。特征工程：我们创造了总面积、总浴室等新特征，整合信息提高模型可学习性。

qq_38334677的博客 1771

多智能体强化学习入门（一）——基础知识与博弈

作者：ECKai（强化学习，多智能体强化学习）文章仅作为学术交流，著作权归属作者，侵删一、引言在多智能体系统中，每个智能体通过与环境进行交互获取奖励值（reward）来学习改善自己的策略，...

weixin_40920183的博客 3298

分享一些基于微信小程序开发的小游戏源码

小游戏小程序是运行在微信生态系统（或其他支持小程序的平台）中的轻量级应用程序，专为休闲游戏体验而设计的小程序子类别，小游戏小程序通常体积较小，加载速度快，用户无需等待长时间即可开始游戏。用户无需下载或安装单独的游戏应用程序，即可通过小程序入口直接进入游戏，同时小游戏小程序通常包含排行榜、分享功能等社交元素，可以增强游戏体验并促进用户参与。game.js：游戏页面的逻辑文件，包含页面数据、生命周期函数、事件处理函数等。game.wxml：游戏页面的结构文件，定义了页面的布局和组件。

xinshangdian的博客 6229

机场数据治理系列介绍（1）：机场行业数据中台中的数据管理顶层设计方案

民航机场行业的数据中台中，有关数据管理顶层设计方案需要结合机场行业的业务特点和技术需求进行具体的设计，今日我们简要考量设计提供一个参考方案：

机场信息系统研究员的专栏 1604

学习笔记：多智能体系统的博弈相关知识

若(1)式严格大于，则π1∗⋯πn∗π1∗⋯πn∗为严格纳什均衡。若一个策略对于智能体动作集中的所有动作的概率都大于0，则这个策略为一个完全混合策略。若智能体的策略对一个动作的概率分布为1，对其余的动作的概率分布为0，则这个策略为一个纯策略。零和博弈中，两个智能体是完全竞争对抗关系，则R1−R2R_1=-R_2R1−R2。在零和博弈中只有一个纳什均衡值，即使可能有很多纳什均衡策略，但是期望的奖励是相同的。

鼠鼠的博客 3810

项目管理——14规划绩效域论文套路

规划绩效域论文套路

Flee Elf 1153

多智能体深度强化学习的主要困难_多智能体强化学习入门（一）——基础知识与博弈

一、引言在多智能体系统中，每个智能体通过与环境进行交互获取奖励值（reward）来学习改善自己的策略，从而获得该环境下最优策略的过程就多智能体强化学习。在单智能体强化学习中，智能体所在的环境是稳定不变的，但是在多智能体强化学习中，环境是复杂的、动态的，因此给学习过程带来很大的困难。维度爆炸：在单体强化学习中，需要存储状态值函数或动作-状态值函数。在多体强化学习中，状态空间变大，联结动作空间（联结动...

weixin_39611208的博客 2617

论文翻译：Automatic Lesson Plan Generation via Large Language Models with Self-critique Prompting

在本文中，我们利用大型语言模型（LLMs）的理解和生成能力来自动生成定制化的课程计划。这解决了传统计划可能无法充分满足不同教学环境和学生群体的特定需求的常见挑战。我们提出了一个新颖的三阶段过程，包括使用检索增强生成（RAG）逐步生成课程计划的每个关键组成部分，通过LLMs进行自我批评，以及随后的细化。我们使用这种方法为小学2至5年级生成了涵盖80多个主题的数学课程计划。邀请了三位经验丰富的教育工作者制定全面的课程计划评估标准，然后使用这些标准将我们的LLM生成的课程计划与同一主题的实际课程计划进行基准比较。

CSPhD-winston的博客 1101

基于STM32+华为云IOT设计的云平台监控系统_102

本次设计结合现代生活的具体需求，设计出一套基于华为云IOT设计的云平台监控系统，可以远程实时查看家里光照强度、温湿度等信息，支持在云端控制家里的电器设备，实现远程控制。

7643

多智能体深度强化学习 # 多智能体深度强化学习基础

前置基础：DDPG 从这里开始就进入多智能体的领域了，另外到这里来说网上的教程一般也就木有了。感知智能->决策智能->群体决策智能 Reference openai/maddpg的github 在复现MADDPG的过程中遇到什么问题，是怎样解决的？张海峰讲座-从博弈论到多智能体强化学习 附介绍： ...

skysys的研究小屋 3113

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

多智能体强化学习(一)

在多智能体系统中，每个智能体通过与环境进行交互获取奖励值来学习改善自己的策略，从而获得该环境下最优策略的过程。在单智能体强化学习中，智能体所在的环境是稳定不变的，但是在多智能体强化学习中，环境是复杂的、动态的，因此给学习过程带来很大的困难。 多智能体强化学习面临的问题：维度爆炸：在单智能体强化学习中，需要存储状态值函数或动作—状态值函数。在多智能体强化学习中，状态空间变大，联结动作空间(联结动作是指每个智能体当前动作组合而成的多智能体系统当前时刻的动作，联结动作At=[a1,t,a2,t,...,an

ZongXS的博客 3306

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

多智能体强化学习入门（二）——基础算法（MiniMax-Q，NashQ，FFQ，WoLF-PHC）

转载：https://zhuanlan.zhihu.com/p/53563792 一、引言上一篇文章介绍，一个随机博弈可以看成是一个多智能体强化学习过程。其实这两个概念不能完全等价，随机博弈中假定每个状态的奖励矩阵是已知的，不需要学习。而多智能体强化学习则是通过与环境的不断交互来学习每个状态的奖励值函数，再通过这些奖励值函数来学习得到最优纳什策略。通常情况下，模型的转移概率以及奖励函数为止，...