【MADRL】多智能体深度确定性策略梯度（MADDPG ）算法

本篇文章是博主强化学习RL领域学习时，用于个人学习、研究或者欣赏使用，并基于博主对相关等领域的一些理解而记录的学习摘录和笔记，若有不当和侵权之处，指出后将会立即改正，还望谅解。文章分类在强化学习专栏：

强化学习（6）---《【MADRL】多智能体深度确定性策略梯度（MADDPG ）算法》

【MADRL】多智能体深度确定性策略梯度（MADDPG ）算法

1.MADDPG算法详解

MADDPG (Multi-Agent Deep Deterministic Policy Gradient) 是一种用于多智能体强化学习环境的算法。它由2017年发布的论文《Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments》提出。MADDPG结合了深度确定性策略梯度（DDPG）算法的思想，并对多智能体场景进行了扩展，能够处理混合的协作与竞争环境。

链接：《Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments》

代码： MADRL多智能体深度确定性策略梯度（MADDPG ）算法

2.背景与动机

在多智能体系统中，多个智能体同时作用于同一个环境，相互之间可能是竞争的、协作的，或者二者兼有。这类环境下，单智能体算法如DDPG往往无法取得较好的效果，因为每个智能体的行为都会影响其他智能体的状态和奖励。为了解决这一问题，MADDPG采用了一种中心化训练，去中心化执行的架构。

中心化训练：训练期间，每个智能体可以观察所有其他智能体的动作和状态，从而学到更有效的策略。
去中心化执行：在执行阶段，智能体只依赖其自身的观测来做出决策，保持分布式控制的特性。

3.算法结构

MADDPG是基于Actor-Critic结构的，其中每个智能体都有自己的Actor和Critic模型。Actor用于输出动作策略，而Critic用于评估动作的价值。该算法的独特之处在于，Critic模型是全局的，即Critic不仅依赖于单个智能体的状态和动作，还使用所有智能体的状态和动作。

4.具体公式

MADDPG扩展了DDPG的公式，针对多智能体环境进行如下改动：

环境设定：
- 状态 $( s \in S )$ 表示整个环境的状态。
- 对于每个智能体 $( i )$ ，它的观测值 $( o_i \in O )$ 是全局状态的一部分。
- 每个智能体采取动作 $( a_i \in A )$ 。
- 每个智能体根据其策略 $( \pi_i(o_i) )$ 选择动作。
目标：每个智能体的目标是最大化其期望累积回报 $( R_i = \mathbb{E}[\sum_t \gamma^t r_i^t] )$ ，其中 $( r_i^t )$ 是时刻 $( t )$ 智能体 $( i )$ 的即时奖励， $( \gamma )$ 是折扣因子。
Critic网络：每个智能体 $( i )$ 的 Critic 网络 $( Q_i(s, a_1, ..., a_N) )$ 估计全局的状态和所有智能体动作的联合Q值。这个Q值函数可以通过Bellman方程进行更新：（或者其他方式）

$[ L(\theta_i) = \mathbb{E}_{s,a,r,s'} \left[ \left( Q_i(s, a_1, ..., a_N; \theta_i) - y \right)^2 \right] ]$

其中目标值 $( y )$ 为：

$[ y = r_i + \gamma Q'_i(s', a'_1, ..., a'_N; \theta'_i) ]$

这里， $( Q'_i )$ 是目标Critic网络，动作 $( a'_j )$ 是通过各自的目标Actor策略选出的动作。
Actor网络：每个智能体 $( i )$ 的Actor策略是通过最大化其Critic函数的期望来更新的：

$[ \nabla_{\theta_{\pi_i}} J(\pi_i) = \mathbb{E}{s, a} \left[ \nabla{a_i} Q_i(s, a_1, ..., a_N) \nabla_{\theta_{\pi_i}} \pi_i(o_i) \right] ]$

通过策略梯度法对Actor网络的参数 $( \theta_{\pi_i} )$ 进行更新。
去中心化执行：在实际执行过程中，每个智能体根据其自身的观测值 $( o_i )$ 通过策略 $( \pi_i(o_i) )$ 选择动作。

5.算法流程

初始化：为每个智能体 $( i )$ 初始化Actor网络 $( \pi_i )$ 和Critic网络 $( Q_i )$ 以及对应的目标网络 $( \pi'_i )$ 和 $( Q'_i )$ 。
交互：智能体与环境进行交互，在每个时刻 $( t )$ ，每个智能体根据其策略 $( \pi_i(o_i) )$ 选择动作 $( a_i )$ ，环境返回下一个状态和奖励 $( r_i )$ 。
存储经验：将状态、动作、奖励和下一个状态存入经验回放池。
采样与更新：从经验回放池中采样一个批次，使用前述的公式更新每个智能体的Critic和Actor网络。
软更新目标网络：以慢速的方式更新目标网络的参数：

$[ \theta'_i \leftarrow \tau \theta_i + (1 - \tau) \theta'_i ]$
重复：重复交互和更新过程，直到训练完成。

6.优势与应用场景

解决多智能体环境中的非平稳性问题：由于多个智能体的存在，环境对每个智能体来说是非平稳的。MADDPG通过中心化的Critic结构来应对这一问题，确保在训练过程中，每个智能体都能有效学习到策略。
处理协作与竞争混合的环境：MADDPG非常适合混合了协作和竞争的多智能体环境，因为它允许智能体通过全局视角进行策略学习，但在执行时保持去中心化。

7.结论

MADDPG是一种针对多智能体系统的强化学习算法，结合了Actor-Critic框架和中心化训练去中心化执行的思想，能够有效处理协作与竞争共存的复杂环境。通过引入全局信息进行训练，它显著提高了多智能体环境下的学习效果，同时保留了分布式控制的灵活性。

[Python] MADDPG实现（可移植）

若是下面代码复现困难或者有问题，欢迎评论区留言；需要以整个项目形式的代码，请在评论区留下您的邮箱，以便于及时分享给您（私信难以及时回复）。

主文件：MADDPG_MATD3_main

import torch
import numpy as np
from torch.utils.tensorboard import SummaryWriter
from environment import Env
import argparse
from replay_buffer import ReplayBuffer
from maddpg import MADDPG
from matd3 import MATD3
import copyclass Runner:def __init__(self, args, env_name, number, seed):self.args = argsself.env_name = env_nameself.number = numberself.seed = seed# Create envself.env = Env(env_name, discrete=False)  # Continuous action spaceself.env_evaluate = Env(env_name, discrete=False)self.args.N = self.env.n  # The number of agentsself.args.obs_dim_n = [self.env.observation_space[i].shape[0] for i in range(self.args.N)]  # obs dimensions of N agentsself.args.action_dim_n = [self.env.action_space[i].shape[0] for i in range(self.args.N)]  # actions dimensions of N agentsprint("observation_space=", self.env.observation_space)print("obs_dim_n={}".format(self.args.obs_dim_n))print("action_space=", self.env.action_space)print("action_dim_n={}".format(self.args.action_dim_n))# Set random seednp.random.seed(self.seed)torch.manual_seed(self.seed)# Create N agentsif self.args.algorithm == "MADDPG":print("Algorithm: MADDPG")self.agent_n = [MADDPG(args, agent_id) for agent_id in range(args.N)]elif self.args.algorithm == "MATD3":print("Algorithm: MATD3")self.agent_n = [MATD3(args, agent_id) for agent_id in range(args.N)]else:print("Wrong!!!")self.replay_buffer = ReplayBuffer(self.args)# Create a tensorboardself.writer = SummaryWriter(log_dir='runs/{}/{}_env_{}_number_{}_seed_{}'.format(self.args.algorithm, self.args.algorithm, self.env_name, self.number, self.seed))self.evaluate_rewards = []  # Record the rewards during the evaluatingself.total_steps = 0self.noise_std = self.args.noise_std_init  # Initialize noise_stddef run(self, ):self.evaluate_policy()while self.total_steps < self.args.max_train_steps:obs_n = self.env.reset()for _ in range(self.args.episode_limit):# Each agent selects actions based on its own local observations(add noise for exploration)a_n = [agent.choose_action(obs, noise_std=self.noise_std) for agent, obs in zip(self.agent_n, obs_n)]# --------------------------!!!注意！！！这里一定要deepcopy，MPE环境会把a_n乘5-------------------------------------------obs_next_n, r_n, done_n, _ = self.env.step(copy.deepcopy(a_n))# Store the transitionself.replay_buffer.store_transition(obs_n, a_n, r_n, obs_next_n, done_n)obs_n = obs_next_nself.total_steps += 1# Decay noise_stdif self.args.use_noise_decay:self.noise_std = self.noise_std - self.args.noise_std_decay if self.noise_std - self.args.noise_std_decay > self.args.noise_std_min else self.args.noise_std_minif self.replay_buffer.current_size > self.args.batch_size:# Train each agent individuallyfor agent_id in range(self.args.N):self.agent_n[agent_id].train(self.replay_buffer, self.agent_n)if self.total_steps % self.args.evaluate_freq == 0:self.evaluate_policy()if all(done_n):breakself.env.close()self.env_evaluate.close()def evaluate_policy(self, ):evaluate_reward = 0for _ in range(self.args.evaluate_times):obs_n = self.env_evaluate.reset()episode_reward = 0for _ in range(self.args.episode_limit):a_n = [agent.choose_action(obs, noise_std=0) for agent, obs in zip(self.agent_n, obs_n)]  # We do not add noise when evaluatingobs_next_n, r_n, done_n, _ = self.env_evaluate.step(copy.deepcopy(a_n))episode_reward += r_n[0]obs_n = obs_next_nif all(done_n):breakevaluate_reward += episode_rewardevaluate_reward = evaluate_reward / self.args.evaluate_timesself.evaluate_rewards.append(evaluate_reward)print("total_steps:{} \t evaluate_reward:{} \t noise_std:{}".format(self.total_steps, evaluate_reward, self.noise_std))self.writer.add_scalar('evaluate_step_rewards_{}'.format(self.env_name), evaluate_reward, global_step=self.total_steps)# Save the rewards and modelsnp.save('./data_train/{}_env_{}_number_{}_seed_{}.npy'.format(self.args.algorithm, self.env_name, self.number, self.seed), np.array(self.evaluate_rewards))for agent_id in range(self.args.N):self.agent_n[agent_id].save_model(self.env_name, self.args.algorithm, self.number, self.total_steps, agent_id)if __name__ == '__main__':parser = argparse.ArgumentParser("Hyperparameters Setting for MADDPG and MATD3 in MPE environment")parser.add_argument("--max_train_steps", type=int, default=int(1e6), help=" Maximum number of training steps")parser.add_argument("--episode_limit", type=int, default=25, help="Maximum number of steps per episode")parser.add_argument("--evaluate_freq", type=float, default=5000, help="Evaluate the policy every 'evaluate_freq' steps")parser.add_argument("--evaluate_times", type=float, default=3, help="Evaluate times")parser.add_argument("--max_action", type=float, default=1.0, help="Max action")parser.add_argument("--algorithm", type=str, default="MATD3", help="MADDPG or MATD3")parser.add_argument("--buffer_size", type=int, default=int(1e6), help="The capacity of the replay buffer")parser.add_argument("--batch_size", type=int, default=1024, help="Batch size")parser.add_argument("--hidden_dim", type=int, default=64, help="The number of neurons in hidden layers of the neural network")parser.add_argument("--noise_std_init", type=float, default=0.2, help="The std of Gaussian noise for exploration")parser.add_argument("--noise_std_min", type=float, default=0.05, help="The std of Gaussian noise for exploration")parser.add_argument("--noise_decay_steps", type=float, default=3e5, help="How many steps before the noise_std decays to the minimum")parser.add_argument("--use_noise_decay", type=bool, default=True, help="Whether to decay the noise_std")parser.add_argument("--lr_a", type=float, default=5e-4, help="Learning rate of actor")parser.add_argument("--lr_c", type=float, default=5e-4, help="Learning rate of critic")parser.add_argument("--gamma", type=float, default=0.95, help="Discount factor")parser.add_argument("--tau", type=float, default=0.01, help="Softly update the target network")parser.add_argument("--use_orthogonal_init", type=bool, default=True, help="Orthogonal initialization")parser.add_argument("--use_grad_clip", type=bool, default=True, help="Gradient clip")# --------------------------------------MATD3--------------------------------------------------------------------parser.add_argument("--policy_noise", type=float, default=0.2, help="Target policy smoothing")parser.add_argument("--noise_clip", type=float, default=0.5, help="Clip noise")parser.add_argument("--policy_update_freq", type=int, default=2, help="The frequency of policy updates")args = parser.parse_args()args.noise_std_decay = (args.noise_std_init - args.noise_std_min) / args.noise_decay_stepsenv_names = ["simple_speaker_listener", "simple_spread"]env_index = 0runner = Runner(args, env_name=env_names[env_index], number=1, seed=0)runner.run()

环境文件：environment

# Please write down your environment Settings
# Pay attention to the input and output of parameters
class Env:def __init__(self, args, discrete):self.args = argsself.discrete = discrete

移植事项：

1.注意环境参数的设置格式

2.注意环境的返回值利用

3.注意主运行流程的runner.run()的相关设置，等

可借鉴：【MADRL】基于MADRL的单调价值函数分解（QMIX）算法中关于 QMIX算法移植的注意事项和代码注释。