MPE-多主体强化学习算法 MPE 这是使用OpenAI Multi-Agent RL的简单验证实验代码。 该环境总结了许多基准，并最初为算法做准备。 由于环境设置简单， MPE似乎是验证我们新的Multi-Agent RL算法并与其他基准进行比较的良好玩具实验环境。 我为您编写了一些著名的多主体RL算法，以便您可以更改较少的代码来实现自己的算法并验证实验结果。 笔记： 如果要成功运行此MPE环境，则必须确保已下载 。 但是，我已经将基准的文件推送到项目中，如果您发现从OpenAI下载的基准有任何问题，则可以使用我的文件。 要求 Python> = 3.6.0 PyTorch == 1.2.0 OpenAI体育馆== 0.10.5 演算法 待办事项清单 评估和渲染 数字与比较 上传训练模型.pt 致谢 我一直以硕士生的身份学习。 我的代码和对算法的理解可能存在一些问

多尺度排列熵和多尺度样本熵，写论文时使用过，供参考……

％计算多尺度置换熵（MPE） % 输入：X：时间序列； % m：排列熵的顺序% t：置换熵的延迟时间， % Scale：比例因子 ％ 输出： % MPE：多尺度置换熵 %Ref: G Ouyang, J Li, X Liu, X Li, Dynamic Characteristics of Absence EEG Recordings with Multiscale Permutation %% Entropy Analysis, Epilepsy Research, doi: 10.1016/j.epplepsyres.2012.11.003 % G Ouyang, C Dang, X Li, 使用多尺度排列熵对 EEG 数据进行复杂性分析，% % 认知神经动力学进展 (II)，2011，第 741-745 页

RL-MPE 用DDPG/MADDPG/DQN/MADDPG+advantage实验 OpenAI开源的MPE环境 OpenAI MPE: OpenAI MADDPG： 自己加入了DQN，与Maddpg+advantage算法。但效果不如Maddpg。另，在游戏中设置了“吃掉消失”的现象。但训练策略与游戏得分有较大的关系，增加“吃掉消失”与“输赢”评判之后，训练效果不佳。