Advertisement

Multi-Agent Deep Deterministic Policy Gradients (MADPGs) 是...

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
该算法，即多代理深确定性策略梯度多主体深度确定性策略梯度（MADDPG）算法，以PyTorch实现呈现。这代表我在论文中提出的“针对混合合作竞争环境的多主体Actor评论家”算法的具体实现。 您可以参考本文： 。 为了运行此程序，您需要安装多代理粒子环境（MAPE），其相关信息可以在这里找到： 。 务必创建一个包含MAPE依赖项的虚拟环境，因为部分版本可能存在过时问题。 我建议使用PyTorch 1.4.0版本进行运行，因为较新版本（1.8）在计算批评者损失时可能与就地操作产生冲突。 将主存储库克隆到与MAPE相同的目录中通常是最便捷的方式，因为主文件依赖于MAPE中的`make_env`函数。 此外，您可以在以下链接找到本教程的视频演示：

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 多主体深度确定性策略梯度(Multi-Agent Deep Deterministic Policy Gradients, MADDPG)...
    优质
    简介：MADDPG是一种用于解决多智能体系统协同决策问题的强化学习算法，通过扩展DDPG框架实现多个交互代理同时学习最优策略。 多代理深确定性策略梯度（MADDPG）算法的Pytorch实现是基于我在论文《针对混合合作竞争环境的多主体Actor评论家》中的研究提出的。该实现需要安装多代理粒子环境（MAPE）。建议创建一个包含MAPE依赖项的新虚拟环境，因为这些依赖可能已经过时。 推荐使用PyTorch 1.4.0版本运行此程序，因为在计算批评者损失时使用的就地操作在最新版的PyTorch中似乎存在问题。为了方便主文件能够访问到make_env函数，请将主存储库克隆至与MAPE相同的目录下。有关本教程的具体内容和视频演示可以在相关资源页面找到。
     
  • Fewer Gradients for Policy Evaluation using SVRG
    优质
    本文提出了一种使用SVRG（Stochastic Variance Reduced Gradient）方法来减少策略评估中梯度计算量的方法，从而提高强化学习算法效率。 “用于梯度评估较少的政策评估的SVRG”的代码依存关系包括：blas=1.0=mkl, ca-certificates=2020.10.14=0, certifi=2020.11.8=py36hecd8cb5_0, cffi=1.14.4=py36h2125817_0, intel-openmp=2019.4=233, libcxx=10.0.0=1, libedit=3.1.20191231=h1de35cc_1, libffi=3.3=hb1e8313_2, mkl=2019.4=233, mkl-service=2.3.0=py36h9ed2024_0, mkl_fft=1.2.0=py36hc64f4ea_0, mkl_random=1.1.1=py36h959d312_0, ncurses=6.2=h0。
     
  • Agent和Multi-Agent系统
    优质
    Agent与Multi-Agent系统是人工智能领域的重要研究方向，探讨智能代理及其群体协同工作的方式、机制及应用。 7.1 代理概述 7.2 代理的理论模型 7.3 代理的结构 7.4 代理通信 7.5 多代理系统 7.6 移动代理 7.7 面向代理的程序设计
     
  • 改进版Deep Leakage from Gradients: iDLG的代码
    优质
    iDLG是基于改进版Deep Leakage from Gradients技术的代码实现，旨在提升模型训练过程中的隐私保护能力，防止敏感数据泄露。 改进的深度泄漏（iDLG）代码概述：人们普遍认为，在协作学习和联合学习这类分布式系统里分享梯度不会泄露训练数据中的私人信息。然而，[1]提出了一种方法证明了从公开共享的梯度中可以获取到私有训练数据的可能性。他们的“从梯度深度泄漏”（DLG）技术通过在监督下合成虚拟的数据和相应的标签来实现这一点。但是，这种方法难以收敛，并且无法稳定地发现真实标签。 本段落揭示了共享梯度确实泄露了真实的标签信息，并提出了一种简单而可靠的方法来精确提取这些数据。特别的是，我们的方法能够准确恢复DLG未能找到的真实标签，因此命名为改进的深度泄漏（iDLG）。此方法适用于任何通过交叉熵损失在单热编码标签上训练过的可微模型。 我们从数学角度详细解释了如何利用梯度信息提取真实标签，并通过实验数据证明了相较于原始DLG技术的优势。我们的实验表明，在MNIST数据集上的准确率可以达到89.9%。
     
  • Graph-Theoretic Approaches in Multi-Agent Networks
    优质
    本文探讨了图论在多智能体网络中的应用，分析了利用图论方法解决分布式控制、协调与优化问题的有效策略。通过研究节点间的相互作用和信息传播机制，提出了增强网络鲁棒性和效率的算法框架。 这本书提供了一种易于理解的介绍动态多代理网络分析与设计的方法。此类网络在科学和技术领域的广泛领域内都极具兴趣，包括移动传感器网络、分布式机器人（如编队飞行及群集）、量子网络、网路经济学、生物同步化和社交网络等。 本书聚焦于图论方法来对动态多代理系统进行分析与综合，并介绍了一种强大且新颖的形式主义及其工具。全书分为基础理论，多智能体网络以及将网络视为系统的三个部分。作者首先概述了图论中的重要概念，接着详细介绍了协议和其各种扩展版本的行为表现，包括该协议在无向、有向、切换及随机网络上的运作情况。 书中还探讨了诸如编队控制、覆盖范围分析、分布式估计等主题，并涉及社交网络与博弈理论在网络环境下的应用。此外，本书通过将这些网络视为系统来研究其动态演变过程以及使用单纯复形模型探究高阶交互作用模式及其实际用途，进一步探索了一些有趣的研究视角。 该书适合研究生在控制系统和计算机科学及机器人技术方面学习时参考，并且对于寻求全面了解多智能体系统的体系结构理论及相关广泛应用的科研人员来说是一本标准参考资料。这本书已被德国斯图加特大学、瑞典皇家理工学院、美国乔治亚理工大学、美国华盛顿大学以及美国俄亥俄州立大学等高校选为教材使用。
     
  • Graph-Theoretic Approaches in Multi-Agent Networks
    优质
    本文探讨了图论方法在多智能体网络中的应用，通过分析节点和边的关系来优化网络结构与功能。 Mehran Mesbahi 和 Magnus Egerstedt 合著的《Graph Theoretic Methods in Multiagent Networks》是 Princeton Series in Applied Mathematics 系列的一部分，由 Princeton University Press 出版于 2010 年。
     
  • Leader-Follower-Multi-Agent-System-Master_Matlab-Leader-Follower_
    优质
    此Matlab程序实现了一种领导-跟随者多智能体系统，用于模拟和研究多个代理在不同场景下的协同行为与动态变化。 Leader-follower 算法的 MATLAB 实现涉及将该算法的具体步骤转化为 MATLAB 代码。实现过程中需要考虑 Leader 和 Follower 在系统中的交互方式以及如何在 MATLAB 中模拟这些行为。这通常包括定义状态变量、编写决策规则和设计通信机制等关键部分，以便准确地再现 Leader-follower 系统的动态特性。
     
  • Bio-Inspired MARL: BioMARL for Multi-Agent Reinforcement Learning
    优质
    Bio-Inspired MARL，简称BioMARL，是一种受生物系统启发的多智能体强化学习框架，旨在通过模仿自然界中的协作机制来优化复杂任务中的多智能体交互和决策过程。 BioMARL：基于生物启发式算法的多智能体强化学习项目介绍 在多个应用领域如计算机网络、机器人及智能电网等领域，多智能体系统（MAS）因其能够处理复杂任务的能力而被广泛应用。然而，在以往的研究中，大多数关于多代理通信的方法要么是预先定义好的通信协议，要么依赖额外决策模块来调度通信过程，这不仅增加了大量的通信开销，并且难以直接应用于大规模的代理集合。 为解决上述问题，我们提出了一种轻量级的通讯框架：基于信息素协同机制的分布式深度Q网络算法（Pheromone协作深度Q网络, PCDQN），该方法结合了深度Q网络和stigmergy机制。我们的研究证明了PCDQN框架的有效性，并进一步将其应用于解决多代理路径搜索问题上。 在雷区导航环境中，利用PCDQN框架的多智能体编队能够学习到适当的策略以获取最优路径。实验是在Windows10操作系统、8GB内存和2核Intel Core i7-6500U的基础上进行的，并使用了pytorch工具包。
     
  • Consensus Region Approach to Cooperative Control in Multi-Agent Systems...
    优质
    本文提出了一种基于共识区域的方法来研究多智能体系统的合作控制问题，重点讨论了如何实现系统的一致性。通过理论分析和仿真验证，该方法在保证算法效率的同时增强了系统的鲁棒性和稳定性。 这是一本关于多智能体一致性研究的优秀书籍，由北京大学的一位教授撰写，非常值得一读。