مروری بر روش های یادگیری تقویتی عمیق چندعاملی

این مقاله به مروری بر یادگیری تقویتی عمیقی چندعاملی می پردازد. ترکیب شبکه های عصبی عمیق با یادگیری تقویتی در سال های اخیر جذابیت بیشتری پیدا کرده است به آرامی تمرکز را از محیط های تک عاملی به محیط های چندعاملی تغییر داده است. برخورد با چندین عامل ذاتا پیچیده تر است زیرا پاداش های آینده به اقدامات مشترک چند بازیکن بستگی دارد و پیچیدگی محاسباتی توابع افزایش می یابد. در این مقاله رایج ترین بازنمایی های مشکل چندعاملی و چالش های اصلی آن ها ارائه می شود و پنج حوزه پژوهشی را شناسایی می کند که در اینجا به برخی از این چالش ها پرداخته می شود. آموزش متمرکز و اجرای غیر متمرکز، مدل سازی حریف، ارتباطات، هماهنگی کارآمد و شکل دهی پاداش بسیاری از مطالعات محاسباتی بر فرضیات غیر واقعی متکی هستند یا قابل تعمیم به تنظیمات دیگر نیستند. پیشنهاد می شود برای موفقیت آمیز بودن یادگیری تقویتی چند عاملی، پژوهش های آینده با رویکردی بین رشته ای به این چالش ها بپردازد تا فرصت های جدیدی را برای راه حل های انسان محور بیشتر در یادگیری تقویتی چندعاملی باز نماید.

کلیدواژه ها:

یادگیری تقویتی عمیق ، یادگیری چندعاملی ، عدم قطعیت ، سیستم های چندگانه ، الگوریتم های تکاملی