强化学习算法合集（DQN、DDPG、SAC、TD3、MADDPG、QMIX等等）内涵20+强化学习经典算法代码。对应使用教程什么的参考博客： 多智能体（前沿算法+原理） https://blog.csdn.net/sinat_39620217/article/details/115299073?spm=1001.2014.3001.5502 强化学习基础篇（单智能体算法） https://blog.csdn.net/sinat_39620217/category_10940146.html

马普里 这是一个多代理项目（commnet ） pytorch用于多代理粒子环境“ simple_spread”（ ） 推理： 通讯网： Bicnet： Maddpg： 训练曲线： 如何使用 点安装-r requirements.txt cd MAProj /算法 python ma_main.py --algo maddpg --mode火车 待办事项清单 受过更多地图训练 修复图形内存泄漏 博客链接 https://zhuanlan.zhihu.com/p/143776727

基于深度强化学习的编队控制使用MADDPG算法

多智能体强化学习 学习环境env

这是论文《Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments》的pytorch复现，直接使用其开源环境Multi-Agent Particle Environment，运行main.py即可进行运行程序

multiagent-particle-envs-master.zip

可读，可重用，可扩展 Machin是为pytorch设计的增强库。 支持的型号 任何事物，包括循环网络。 支持的算法 当前，Machin已实现以下算法，该列表仍在增长： 单代理算法： 多主体算法： 大规模并行算法： 增强功能： 支持的算法： 进化策略 基于模型的方法 特征 1.可读 与其他强化学习库（例如著名的 ， 和。 Machin尝试仅提供RL算法的简单明了的实现。 Machin中的所有算法均以最小的抽象设计，并具有非常详细的文档以及各种有用的教程。 2.可重复使用 Machin采用与pytorch类似的方法，将算法和数据结构封装在自己的类中。 用户无需设置一系列data collectors ， trainers ， runners ， samplers ...即可使用它们，只需导入即可。 模型上的唯一限制是它们的输入/输出格式，但是，这些限制很小，可以轻松地使算法适

Flight_maddpg MADDPG的实现 1引言 这是MADDPG的流实现，但是环境不同。 2依赖 张量流 matplotlib 修女 python == 3.6.1（建议使用anaconda / miniconda） 健身房 3次火车 python train_code.py 4结果 三大代理包括竞争与合作

这是MADDPG算法的原始论文。MADDPG算法是一种非常优秀的多智能体强化学习算法，感兴趣的可以下载下来看看

项目3：合作与竞争 介绍 在这种环境下，两名特工控制球拍在球网上弹跳球。 如果探员将球击中网，则得到+0.1的奖励。 如果探员让一个球击中地面或越界将球击中，则其收益为-0.01。 因此，每个特工的目标是保持比赛中的球权。 观察空间由8个变量组成，分别对应于球和球拍的位置和速度。 每个代理都会收到自己的本地观察结果。 有两个连续的动作可用，分别对应于朝向（或远离）网络的运动和跳跃。 下图显示了最终的奖励进度。 环境在1820集中得到解决 算法： 为了解决此环境，我实现了Multi-DDPG算法。 实现的功能如下： 每个特工都有独立的演员和评论家 集中培训：每个代理的批评者不仅将自己的演员的行为和状态作为输入，而且还将所有其他代理的状态和行为作为输入。 由于在测试过程中仅使用参与者，并且参与者仅取决于相应参与者的状态，因此代理可以自由地学习自己的奖励结构。 下图[来源： ：