基于博弈强化学习的多智能体协作行为寻优_张捍东

Qt（s，a）]
（1）
在多Agent环境下的单Agent独立Q学习算法为
Qit+1（s，ai）＝（1-αt）Qit（s，ai）+αt[Rit（s，a軆
i
）+γVt（s′）]
（2）
其中：a軆 为 Agents 的联合行动；αt 为随时间可变的学
i
i
习率；γ
为
回
报
折
扣
系
数
；Vt
（s′
）＝max ai∈A
1 基于博弈论的多智能体强化学习模型
强 化 学 习 [7]技 术 是 从 控 制 理 论 、 统 计 学 、 心 理 学
等相关学 科 发 展 而 来 ，该 方 法 通 过 试 错 （trial-and-
error）来 发 现 最 优 行 为 策 略 ， 与 监 督 学 习 和 非 监 督 学
习相比，它最大的优势就是不需要先验知识来训练，
度分配，另一方面要考虑结构分配，即每个 Agent 对
收益分配的接受程度， 寻找出每个 Agent 都满意的
分配方案，本文通过 Agent 之间的协调，用单目标规
划方法找出最小让步值， 这个最小让步值对应的分
配就是各局中人满意的分配方案。
设局中人由于合作而产生的共同收益 Ct+1（s）为
Σ Ct+1（s）＝ [ParetoQit+1（s′，Σa′）-ParetoQit（s，a軆 ）] （4） i∈s
下进行状态迁移，此时 Q 值函数学习规则为
i
i
i
i
Qt+1（s，a軆 ）＝（1-αt）Qt（s，a軆 ）+αt（Rt（s，a軆 ）+γVt（s′））
（3）
不同于单 Agent 强化学习只考虑时间信用分配
问 题 （temporal credit assignment problem）， 协 作 型
多 Agent 强化学习面临的主要问题是结构信用分配
收 稿 日 期 ：2008－06－05；修 订 日 期 ：2008－12－09 基 金 项 目 ：国 家 自 然 科 学 基 金 项 目 （50407017） ； 安 徽 省 教 育 厅 自 然 科 学 基 金 项 目 （2004KJ058，2006KJ019A） 作 者 简 介 ：张 捍 东 （1963-），男 ，教 授 ，博 士 ，主 要 研 究 机 器 人 路 径 规 划 及 相 关 技 术 、优 化 控 制 理 论 与 应 用 、功 率 变 换 技 术 与 应
Multi -agent Reinforcement Learning for Collaborative Behavior Optimization Based on Game Theory
ZHANG Han-dong1，BAO Wei3，WANG Li-hua2
（1.School of Electrical Engineering and Information，Anhui University of Technology，Ma’anshan 243002，China；2. School of Mechanical Engineering，Anhui University of Technology，Ma’anshan 243002，China；3.School of Management Science and Engineering，Anhui University of Technology，Ma’anshan 243002，China） Abstract：In order to overcome the problem of convergence in multi-agent system dynamic collaborative behavior optimization，a novel algorithm named improved Pareto-Q learning based on general-sum game is presented，in which the global goal is the goal of multi-agent learning for local pareto joint behavior，and in which a distribution method for collective payoff based on common acceptability is also presented. The simulation result based on multi-robot behavior coodindicates this algorithm is feasible and practicable. Key words：multi-agent games；dynamic collaborative optimization；improved pareto-Q；profit-allocation
用 、动 态 联 盟 的 管 理 与 决 策 ；暴 伟 （1980-），男 ，助 教 ，主 要 研 究 方 向 为 机 器 人 智 能 控 制 、工 业 流 程 优 化 。
自动化与仪表 2009(1)
1
专题研究
虑该 Pareto 合作联盟不成立， 必须以外界某种规则 约束来保证行动的一致性。
多 Agent 博弈可以分为零和对策与广义和对策 两种，前者系统在任何状态下，多个 Agent 从环境中 获得的奖赏总和为 0；而在广义和对策中，则没有此 要求。 基于以上划分，多 Agent 博弈中的强化学习算 法 典 型 的 有 Minimax-Q[2]，Nash-Q[3]，Friend-or-Foe Q-learning（FFQ）[4]和 CE-Q[5]等 。 文 献 [6] 提 出 一 种 Pareto-Q 算法， 该算法所使用的 Pareto 占优解概念 与 Nash 平衡解相比更适用于合作的一般和博弈，使 合作的 Agent 更具集体理性。
摘 要 ：针 对 非 监 督 多 Agent系 统 协 作 行 为 的 动 态 优 化 中 存 在 难 以 使 行 动 序 列 收 敛 到 Pareto 最 优 问 题 ，提 出 一 种 一 般 和 博 弈 框 架 下 改 进 Pareto-Q算 法 ，将 全 局 目 标 作 为 局 部 Pareto最 优 联 合行为强化学习目标，并提出基于可接受度分配共同收益，将全局意义下的最优行为通过 迭 代 学 习 转 化 为 局 部Pareto行 为 ，以 多 机 器 人 行 为 协 调 为 模 型 ，仿 真 验 证 了 算 法 的 可 行 性 和实用性。 关 键 词 ： 多Agent博 弈 ；动 态 协 作 寻 优 ；改 进 Pareto-Q；收 益 分 配 中图分类号：TP242.6 文献标志码：A
合对于多人间的协调博弈，首先给出可接受度概念，
设 Γ＝（N，C）是 t 时刻的一个可转让所得的多人合作
问 题 （structural credit assignment problem），即 整 个
系统获得的奖赏如何分配到每个 Agent 的行为上。
博弈框架下，Agent 在进行动作选择时，选择动作不
再仅仅依赖自身的值函数， 而必须同时考虑其他
Agent 的值函数，选择的动作是在当前所有 Agent 值
Automation ＆ Instrumentation 2009(1)
期折扣收益分配到各个局中人的局部阶段，改变局中 人各阶段的 Q 值矩阵。 当矩阵中的元素值稳定后，
依据博弈论的知识可直接选择最优解， 联结所经历
状态下的这些最优解即形成了最优联合行为策略。
对于长期累计回报分配， 一方面要考虑时间信
多 Agent 行 为 协 作[1]研 究 是 人 工 智 能 研 究 的 热 点和重要领域之一，以博弈论均衡选择为基础，研究 联合行为的选择机制是系统优化的有效手段。 解决 均衡选择问题实质就是解决协调问题， 经济学家常 常把协调问题模型化为协调博弈。 协调博弈就是有
多个可 进 行 帕 累 托 排 序 严 格 Nash 均 衡 解 与 Pareto 解的博弈， 同时协调博弈要保证参与人对不同策略 组合有相同偏好的博弈， 均衡选择依赖参与人之间 对选择相同行为有充分相似的信念。 但是当 Pareto 最优解不是 Nash 均衡时，从局部个体理性的角度考
定 义 3 Pareto 均 衡 ： 在 合 作 博 弈 中 ， 一 个
Pareto 最优解应该满足以下条件： 在状态 s 时的 Q*
值
Q*（s，
a軆
）
≥Q*
→
（s，a′
）
对
任
意a軆都成立，且
该
解
满
足
Nash 均衡条件。 因此，多智能体 Markov 博弈决策问题归结为求
解最优 Nash 均衡，而协同强化学习过程可视为随机 协 调 博 弈[9]的 过 程 ，在 该 过 程 中 有 共 同 目 标 的 成 员 间结成联盟 S， 构成一个合作博弈强化学习，Agent 根据当前状态-联合行动的 Q 值来选择动作， 在具 有延时回报的合作博弈中， 当前阶段的博弈均衡选 择是以瞬时 Q 值矩阵而不是以瞬时回报矩阵为依 据， 如果采用传统的固定支付矩阵则只能选到当前 局部最优解， 所以需采取正确的收益分配方案将长
强化学习可描述为以下 Markov 决策模型。
定义 1 Markov 决策：由四元组〈S，A，R，P〉定
义。 包含一个环境状态集 S，系统行为集合 A，奖赏
函数 R：S×A→R 和状态转移函数 P：S×A→P（S）。 记
R（s，a，s′）为 系 统 在 状 态 s 采 用 a 动 作 使 环 境 状 态
转移到 s′获得的瞬时奖赏值；P（s，a，s′）为系统在状
态 s 采用 a 动作使环境状态转移到 s′的概率。 Q 算法[8]是强化学习中最常用的一种算法，在单
Agent 独立强化学习系统中， 通过学习 Q 值函数的
方法进行决策，其 Q 值函数学习规则为
Qt+1（s，a）←Qt（s，a）+α[rt（s，a）+γmaxa′Qt+1（s′，a′）-
函数下的某种平衡解。
2 改进 Pareto-Q 算法
本 文 提 出 的 改 进 Pareto-Q 学 习 算 法 是 以 多 智
能体合作联盟理论和 Markov 博弈理论为基础，首先
介绍 Markov 博弈和 Pareto 最优解的概念。
定义 2 Markov 博弈 Γ： 由集合〈α，S，A，R，T〉
本文将博弈论与强化学习相结合， 从合作联盟 收益的结构分配和时间分配角度来研究多 Agent 的 行为协作，提出一种改 进 Pareto-Q 算 法 ，将 全 局 目 标作为局部 Pareto 最优联合行为强化学习目标 ，并 提出基于可接受度分配共同收益，将全局意义下的 最优行为通过迭代学习转化为局部 Pareto 行为。
文 章 编 号 ：1001-9944(2009)01-0001-04
专题研究
基于博弈强化学习的多智能体协作行为寻优
张捍东 1，暴 伟 1，3，王丽华 2
（1.安徽工业大学 电气信息学院，马鞍山 243002；2.安徽工业大学 机械工程学院，马鞍山 243002； 3.安徽工业大学 管理科学与工程学院，马鞍山 243002）
组成， 其中 α 是 n 个智能体集合；S 是有限状态空
间；A 是 n 个智能体的联合动作空间；R：S×A→R 是
智能体在状态 s 执行动作 A 所获得的收益；T：S×A×
S′→[0，1]是智能体在状态 s 执行动作 A 后状态转移
到 S′的转移函数。 每个智能体的目标就是搜索到最
优联合策略来最大化折扣收益之和的期望值。
如果把每个局中人的收益作为一个目标函数， 则可将上述问题转化为在核心 V（x）中求解下列多
目标规划的问题：
軆f1（x）＝x1
max F（x）＝軆軆f2（x）＝x2 軆軆 … 軆fn（x）＝xn
Σ 軆
s.t.
軆
軆i∈N
xi ＝C（s）
軆
軆xi≥0
（5）
其中核心 V（x）是满足约束条件分配 x＝（xi）i∈N 的 集
Qt（s，ai）为状态
s 的值函数。
2
式 （2）中 假 定 Agent i 的 Q 值 与 其 它 Agent 的
行 动 无 关 ， 实 际 问 题 中 由 于 Agent 收 益 受 到 其 它
Agent 行动的影响， 在计算 Agent Q 值时必须考虑
其它 Agent 的行动， 环境在多个 Agent 的联合动作