多智能体合作强化学习中的通信机制研究

探索智能体如何在协作任务中自主学习高效、可解释的通信策略。

资料简介

本博士论文系统研究了合作型多智能体强化学习（Cooperative MARL）中的通信机制设计。作者提出两种创新方法：基于记忆驱动的通信架构（MD-MADDPG）和基于连通性驱动的动态图通信模型，通过注意力机制与图神经网络优化智能体间的信息交换效率。研究在多个标准多智能体环境（如Predator-Prey、Cooperative Navigation）中验证了所提方法在任务性能、可扩展性及通信鲁棒性方面的优势，并包含详尽的消融实验与通信行为分析。

核心看点

• 提出记忆驱动通信机制，利用历史状态增强消息相关性
• 设计动态连通性驱动通信图，自适应构建智能体交互拓扑
• 结合热核注意力机制实现时空感知的消息加权
• 在多智能体数量扩展场景下验证算法可扩展性
• 通过消融实验量化记忆组件与通信结构对性能的影响
• 提供通信内容可视化分析，揭示智能体协作语义

适合用于

适合人群

人工智能研究人员、强化学习工程师、多智能体系统开发者、通信协议设计师、高校研究生、自动驾驶/机器人领域算法工程师

该博士论文全文可通过华威大学WRAP知识库永久链接获取（http://wrap.warwick.ac.uk/179925），适用于深入理解多智能体通信的前沿方法与实验范式，建议配合代码复现以深化技术掌握。