starry-sky6688/MARL-Algorithms
این پروژه شامل پیاده‌سازی الگوریتم‌های یادگیری تقویتی چندعامله (MARL) مانند IQL, QMIX, VDN, COMA, QTRAN, MAVEN, CommNet, DyMA-CL و G2ANet است که روی محیط SMAC (StarCraft Multi-Agent Challenge) اجرا شده‌اند.
کاربرد:
این پروژه برای شبیه‌سازی و آزمایش رفتار عامل‌های هوشمند در محیط‌های پیچیده و غیرمتمرکز طراحی شده.
مناسب برای تحقیقات در حوزه همکاری عامل‌ها، تصمیم‌گیری گروهی و ارتباطات بین عامل‌ها در محیط‌های دینامیک مثل استارکرافت.
در چه شرایطی بهتره استفاده شود؟
وقتی نیاز داری به بررسی عملکرد الگوریتم‌های مختلف MARL در سناریوهای واقعی‌گونه با چالش‌های تصمیم‌گیری غیرمتمرکز و ارتباط محدود بین عامل‌ها.
همچنین وقتی می‌خوای تأثیر معماری‌های مختلف شبکه عصبی یا روش‌های ارتباطی را در عملکرد تیمی عامل‌ها بسنجه.
چند مثال از موارد استفاده:
بررسی تأثیر ارتباط بین عامل‌ها با استفاده از CommNet در مأموریت‌های گروهی
مقایسه عملکرد QMIX و VDN در سناریوهای با پاداش‌های پراکنده
تحلیل نحوه همکاری عامل‌ها در MAVEN با استفاده از متغیرهای هدف (intent variables)
بررسی یادگیری سلسله‌مراتبی در G2ANet برای تشکیل تیم‌های موثرتر
استفاده از COMA برای حل مشکل اعتماد به عملکرد دیگران در محیط‌های غیرقطعی
- ##MARL
- ##ReinforcementLearning
- ##MultiAgentSystems
- ##StarCraft
- ##SMAC
- ##DeepLearning
- ##AIResearch
- ##CooperativeAI
- ##GameAI
- ##CommNet