Multi-Agent Continuous Control with Generative Flow Networks

本文介绍了一种名为多智能体生成连续流网络（MACFN）的新方法，旨在解决生成流网络（GFlowNets）在多智能体系统中的应用限制问题。MACFN通过训练分散的基于个体流的策略，以集中的全局流匹配方式，从而使多个智能体能够在连续的联合控制问题中进行协作探索。在训练过程中，MACFN引入了连续流分解网络，以推导出每个智能体的流贡献，从而形成与奖励成比例的联合策略分布。为了保证连续流分解的表达能力，本文理论上推导了分解网络的一致性条件。实验结果表明，与现有方法相比，该方法具有更好的探索能力和更优异的性能。

MACFN论文旨在解决GFlowNets在多智能体系统中应用受限的问题，提出了一种新的方法，使多个智能体能够在连续的联合控制问题中进行合作探索。

MACFN通过在集中式全局流匹配的方式下训练分散的基于个体流的策略，使智能体能够根据其分配的本地流进行行动，形成与奖励成比例的联合策略分布。

该论文提出了一种新的方法来解决多智能体系统中的合作探索问题，同时提高了探索能力。论文通过理论推导得出了连续流分解的一致性条件。实验结果表明，该方法优于现有的对手和自我对抗方法，并且在各种数据集上进行了测试。代码已在GitHub上开源。

在最近的相关研究中，有一些与MACFN类似的方法，如GFlowNets和自我对抗方法。