文章目录
- 前言
- 一、MARL问题组成
- 二、联合策略与期望回报
-
- [1.History-based expected return](#1.History-based expected return)
- [2.Recursive expected return](#2.Recursive expected return)
前言
多智能体强化学习问题中的博弈论知识------联合策略与期望回报
一、MARL问题组成
二、联合策略与期望回报
定义一种普遍的期望回报，能够用于所有的多智能体与环境的交互模型当中，因此在POSG的环境下定义，定义了两个等式计算期望回报，如下：
1.History-based expected return
在联合策略 π \pi π给定下，智能体i的期望回报为：
U i ( π ) = E h ^ t ∼ ( P r 0 , T , O , π ) u i ( h \^ t ) = ∑ h ^ t ∈ H ^ Pr ( h ^ t ∣ π ) u i ( h ^ t ) \begin{aligned} U_i(\pi)& =\mathbb{E}{\hat{h}^t\sim(\mathrm{Pr}^0,\mathcal{T},\mathcal{O},\pi)}\biggu_i(\\hat{h}\^t)\\bigg \\ &\begin{aligned}=\sum{\hat{h}^t\in\hat{H}}\Pr(\hat{h}^t\mid\pi)u_i(\hat{h}^t)\end{aligned} \end{aligned} Ui(π)=Eh^t∼(Pr0,T,O,π)ui(h\^t)=h^t∈H^∑Pr(h^t∣π)ui(h^t)
其中，H包含所有时刻的历史观测序列， Pr ( h ^ t ∣ π ) \Pr(\hat{h}^t\mid\pi) Pr(h^t∣π)代表给定策略下的所有历史观测的概率， Pr ( h ^ t ∣ π ) = Pr 0 ( s 0 ) O ( o 0 ∣ ∅ , s 0 ) ∏ τ = 0 t − 1 π ( a τ ∣ h τ ) T ( s τ + 1 ∣ s τ , a τ ) O ( o τ + 1 ∣ a τ , s τ + 1 ) \begin{aligned}\Pr(\hat{h}^t\mid\pi)=&\Pr^0(s^0)\mathcal{O}(o^0\mid\emptyset,s^0)\prod_{\tau=0}^{t-1}\pi(a^\tau\mid h^\tau)\mathcal{T}(s^{\tau+1}\mid s^\tau,a^\tau)\mathcal{O}(o^{\tau+1}\mid a^\tau,s^{\tau+1})\end{aligned} Pr(h^t∣π)=Pr0(s0)O(o0∣∅,s0)τ=0∏t−1π(aτ∣hτ)T(sτ+1∣sτ,aτ)O(oτ+1∣aτ,sτ+1)
u i ( h ^ t ) u_i(\hat{h}^t) ui(h^t)是智能体i在观测序列的折扣回报， u i ( h ^ t ) = ∑ τ = 0 t − 1 γ τ R i ( s τ , a τ , s τ + 1 ) u_i(\hat{h}^t)=\sum_{\tau=0}^{t-1}\gamma^\tau\mathcal{R}i(s^\tau,a^\tau,s^{\tau+1}) ui(h^t)=∑τ=0t−1γτRi(sτ,aτ,sτ+1)，使用 π ( a τ ∣ h τ ) \pi(a^\tau\mid h^\tau) π(aτ∣hτ)表示观测序列条件下，联合动作的概率分布，前提的假设是智能体之间的动作是独立的 ，因此 π ( a τ ∣ h τ ) = ∏ j ∈ I π j ( a j τ ∣ h j τ ) \pi(a^\tau\mid h^\tau)=\prod{j\in I}\pi_j(a_j^\tau\mid h_j^\tau) π(aτ∣hτ)=∏j∈Iπj(ajτ∣hjτ)。
2.Recursive expected return
类似于贝尔曼方程的形式定义期望回报，首先定义了联合策略下的状态价值函数与动作价值函数
在这里 V i π ( h ^ ) V_i^\pi(\hat{h}) Viπ(h^)代表智能体i在给定策略下，所有历史序列取得的值，可以当期望回报，而 Q i π ( h ^ , a ) Q_i^\pi(\hat{h},a) Qiπ(h^,a)代表智能体i根据观测序列，在给定策略下，采取的联合动作带来的即使收益，进一步可以将回报期望写为： U i ( π ) = E s 0 ∼ P r 0 , o 0 ∼ O ( ⋅ ∣ ∅ , s 0 ) V i π ( ⟨ s 0 , o 0 ⟩ ) U_i(\pi){=}\mathbb{E}_{s^0\sim\mathrm{Pr}^0,o^0\sim\mathcal{O}(\cdot|\emptyset,s^0)}V_i\^\\pi(\\langle s\^0,o\^0\\rangle) Ui(π)=Es0∼Pr0,o0∼O(⋅∣∅,s0)Viπ(⟨s0,o0⟩)