【标题】Multi-Agent Deep Reinforcement Learning using Attentive Graph Neural Architectures for Real-Time Strategy Games

【作者团队】Won Joon Yun, Sungwon Yi, Joongheon Kim

 【研究机构】Korea University, Seoul, Republic of Korea &  Electronics and Telecommunications Research Institute (ETRI)

【论文链接】https://arxiv.org/pdf/2105.10211.pdf

【发表日期】2021.5.21

【推荐理由】在实时策略（RTS）游戏人工智能研究中，当今广泛且积极地使用各种多主体深度强化学习（MADRL）算法。大多数研究都基于StarCraft II环境，因为它是全球最著名的RTS游戏。本文提出了一种新颖的多智能体深度强化学习算法，该算法控制实时策略（RTS）游戏中的多agent。其中，基于MADRL的算法基本上是基于分布式计算的，它是分类状态图注意策略（CSGA-policy）和QMIX神经结构的结合。CSGA策略用于状态分类和图形关注，以显着降低计算复杂度，并且图形注意用于学习agent之间的关系。训练使用QMIX执行，该QMIX在训练期间是集中的，而在推断过程中它会分布在代理之间，以采取单独的措施。本文性能评价结果验证了该算法在各种设置的StarCraft II《星际争霸II》环境中均表现出良好的性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除