首页 > TAG信息列表 > MARL
移动云使用经验（三）安装marl所需包 （pytorch, gym, mpe）
1 安装pytorch 首先按照（二）用conda新建虚拟环境，建议用python3.8，首先激活虚拟环境并参考博文添加清华源，然后按照官网运行如下指令： conda activate #env_nameconda install pytorch=1.10.0 cudatoolkit=10.2 我只安装了torch。（博客写于20220228，未来指令可能会改变） 然后安装torch_多智能体强化学习在城市交通信号控制中的研究与应用- 笔记
摘要 成果： (1) 建立城市多交叉路口交通流量时间序列文本数据集 (Multi-Road Traffic Dataset,MTD)，构建城市仿真环境 (Urban Simulation Environment, USE)，实现接近真实路况的多个交叉路口运行情况仿真。 (2) 促进 MARL 理论、算法和智能交通应用的深度结合，拓展 MARL 的应用范围，通强化学习&多智能体9.4 | MARL中的AC方法（ongoing）
强化学习多任务&多智能体文章整理
多任务强化学习 Multi-Task Reinforcement Learning with Soft Modularization 软模块化多任务强化学习 Abstract： 联合训练多个任务时，允许策略在不同的任务间共享参数。 我们在策略表示上引入了一种显式的模块化技术来缓解这个优化问题，而不是简单地在任务之间共享参数。在给定一2021-03-07
对抗环境下的多智能体强化学习（Cooperative MARL） 常用仿真环境 StarCarft II (星际争霸2) https://zhuanlan.zhihu.com/p/28471863OpenAI: multiagent-emergence(让智能体玩捉迷藏) https://github.com/openai/multi-agent-emergence-environmentsPommerman 环境(炸弹人)httpsA Survey on Multi-Agent Reinforcement Learning Methods for Vehicular Networks
摘要 在物联网（IoT）的飞速发展下，车辆可以被视为移动的智能体，它们可以进行通信，合作以及竞争资源和信息。 车辆需要学习策略并做出决策，以提高多智能体系统（MAS）应对不断变化的环境的能力。多智能体强化学习（MARL）被认为是在高度动态的车载MAS中寻找可靠解的学习框架之一。 在本文中，我