强化学习 | COMA

强化学习 | COMA

引言

在多agent的强化学习算法中，前面我们讲了QMIX，其实VDN是QMIX的一个特例，当求导都为1的时候，QMIX就变成了VDN。QTRAN也是一种关于值分解的问题，在实际的问题中QTRAN效果没有QMIX效果好，主要是QTRAN的约束条件太过于松散，导致实际没有理论效果好。但是QTRAN有两个版本，QTRAN_BASE和QTRAN_ALT，第二版本效果比第一要好，在大部分实际问题中和QMIX的效果差不多。上述的算法都是关于值分解的，每个agent的回报都是一样的。如果在一局王者荣耀的游戏中，我方大顺风，我方一名角色去1打5，导致阵亡，然后我方4打5，由于我方处于大优势，我方团灭对方，我方所有的agent都获得正的奖励。开始去1打5的agnet也获得了一个正的奖励，显然他的行为是不能获得正的奖励。就出现了“吃大锅饭”的情况，置信度分配不均。COMA算法就解决了这种问题，利用反事实基线来解决置信度分配的问题。COMA是一种“非中心化”的策略控制系统。

1. Actor-Critic

COMA主要采样了Actor-Critic的主要思想，一种基于策略搜索的方法，中心式评价，边缘式决策。

2. COMA

COMA主要使用反事实基线来解决置信分配问题。在协作智能体的系统中，判断一个智能体执行一个动作的的贡献有多少，智能体选取一个动作成为默认动作（以一种特殊的方式确认默认动作），分别执行较默认动作和当前执行的动作，比较出这两个动作的优劣性。这种方式需要模拟一次默认动作进行评估，显然这种方式增加了问题的复杂性。在COMA中并没有设置默认动作，就不用额外模拟这基线，直接采用当前策略计算智能体的边缘分布来计算这个基线。COMA采用这种方式大大减少了计算量。

基线的计算：

​ $$\sum _{u^{\prime }a}{\pi }^a(u^{{}^{\prime }a}|{\tau }^a)Q(s,(u^{-a},u^{{}^{\prime }a}))$$

COMA网络结构

图1. COMA网络结构

图中（a）表示COMA的集中式网络结构，（b）表示actior的网络结构，（c）表示Critic的网络结构。

3. 算法流程

• 初始化actor_network，eval_critic_network，target_critic_network，将eval_critic_network的网络参数复制给target_critic_network。初始化buffer $D$，容量为$M$，总迭代轮数$T$，target_critic_network网络参数更新频率$p$。

• $for$ $t=1$ $to $ $T$ $ do$

  ​ 1）初始化环境

  ​ 2）获取环境的$S$，每个agent的观察值$O$，每个agent的$avail$ $action$，奖励$R$。

  ​ 3）$for$ $step=1$ $to$ $episode$_$limit$

  ​ a）每个agent通过actor_network，获取每个动作的概率，随机sample获取动作$action$。actor_network，采用的GRU循环层，每次都要记录上一次的隐藏层。

  ​ b）执行$action$，将$S$，$S_{next}$，每个agent的观察值$O$，每个agent的$avail$ $action$，每个agent的$next$ $avail$ $action$，奖励$R$，选择的动作$u$，env是否结束$terminated$，存入经验池$D$。

  ​ c）$if$ $len(D)$ $>=$ $M$

  ​ d）随机从$D$中采样一些数据，但是数据必须是不同的episode中的相同transition。因为在选动作时不仅需要输入当前的inputs，还要给神经网络输入hidden_state，hidden_state和之前的经验相关，因此就不能随机抽取经验进行学习。所以这里一次抽取多个episode，然后一次给神经网络传入每个episode的同一个位置的transition。

  ​ e）$td\_error=G_t-Q\_eval$计算loss,更新Critic参数。$G_t$表示从状态$S$，到结束，获得的总奖励。

  ​ f）通过当前策略计算每个agent的每个step的基线，基线计算公式：$$\sum _{u^{\prime }a}{\pi }^a(u^{{}^{\prime }a}|{\tau }^a)Q(s,(u^{-a},u^{{}^{\prime }a}))$$。（边缘分布）

  ​ g）计算执行当前动作的优势advantage：$A^a(s,u)$= $Q(s,u)$-${\sum }_{u^{\prime }a}$${\pi }^a(u^{{}^{\prime }a}|{\tau }^a)$ $Q$(s,($u^{-a}$,$u^{{}^{\prime }a}))$。

  ​ h）$loss=((advantage\ast select\_action\_pi\_log)\ast mask).sum()/mask.sum()$计算loss,更新actor网络参数。

  ​ i）$if$ $t$ $p==0$ :

  ​ j） 将eval_critic_network的网络参数复制给target_critic_network。

4. 结果对比

图2. 论文中COMA对比其他网络结果。

我自己跑的数据，关于QMIX，VDN，COMA，三者之间的对比，在相同场景下。

图3. VDN，QMIX，COMA，在sc2中8m地图的表现

图4. VDN，QMIX，COMA，在sc2中2s3z地图的表现

5. 算法总结

COMA在论文写的算法原理很好，但是在实际的场景中，正如上面的两张图所示，COMA的表现并不是很理想。在一般的场景中，并没有QMIX的表现好。笔者建议读者，在实际的环境中，可以试试VDN，QMIX等等，COMA不适合“带头冲锋”。

6. 资料

1.COMA