我们的现实生活中有着许多多智能体共同决策的场景，比如多机械臂协同，多个无人机或多个机器人完成某共同目标。下面介绍单智能体强化学习的进化，多智能体强化学习。

含义

多智能体系统中包含 m 个智能体，智能体共享环境，智能体之间会相互影响。一个智能体的动作会改变环境状态，从而影响其余所有智能体。举个例子，股市中的每个自动交易程序就可以看做一个智能体。尽管智能体（自动交易程序）之间不会交流，它们依然会相互影响：一个交易程序的决策会影响股价，从而对其它自动交易程序有利或有害。

多智能体强化学习 (Multi-Agent Reinforcement Learning，MARL) 是指让多个智能体处于相同的环境中，每个智能体独立与环境交互，利用环境反馈的奖励改进自己的策略，以获得更高的回报（即累计奖励）。在多智能体系统中，一个智能体的策略不能简单依赖于自身的观测、动作，还需要考虑到其他智能体的观测、动作。因此，MARL 比单智能体强化学习 (Single-Agent Reinforcement Learning，SARL) 更困难。

 

四种设定

完全合作关系

智能体的利益一致，获得的奖励相同，有共同的目标。
多个工业机器人协同装配汽车。他们的目标是相同的，都希望把汽车装好。假设一共有 m 个智能体，它们在 t 时刻获得的奖励分别是 Rt1, Rt2, · · · , Rtm。
在完全合作关系中，它们的奖励是相同的：

完全竞争关系

一方的收益是另一方的损失。
两个格斗机器人，它们的利益是冲突的，一方的胜利就是另一方的失败。在完全竞争的设定下，双方的奖励是负相关的：对于所有的 t，有 Rt1 ∝ −Rt2。如果是零和博弈，双方的获得的奖励总和等于 0 ：Rt1 = −Rt2。

合作竞争的混合

智能体分成多个群组；组内的智能体是合作关系，它们的奖励相同；组间是竞争关系，两组的奖励是负相关的。
比如足球机器人：两组是竞争关系，一方的进球是另一方的损失；而组内是合作关系，队友的利益是一致的。

利己主义

一个智能体的动作会改变环境状态，从而让别的智能体受益或者受损。利己主义的意思是智能体只想最大化自身的累计奖励，而不在乎他人收益或者受损。
比如股票自动交易程序可以看做是一个智能体；环境（股市）中有多个智能体。这些智能体的目标都是最大化自身的收益，因此可以看做利己主义。

Remark