研究背景

内容：

• 原MAS中有已训练好的N个agent，需要增加agent，从0开始训练费时费力；

• 单agent在不同设置不同环境下进行rl训练，将表现好的agent的经验迁移至其他agent

• 游戏
• 狼人杀（对抗），在原有设置下，将一个已训练完成的agent换成新agnent进行TRL，对比该agent的胜率，对比表现
• waterworld（协作）

• 交通

• 无人机编队

• 机器人协作

前期实验结果/计划实验设置：

• 先使用rl对agent进行优化

• 将训练后的agent经验迁移至新agent，对比决策分布

问题：

• 必要性？

• MARL运用范围小，单agentRL都难以sim2real，一般只用在游戏中实验，没有实际生活中的应用？

• 怎么在一个实际搭建的系统（非游戏）中使用这样的方法：
• 一是什么场景需要这样，新的agent加入快速训练，一般都是直接训好一套MARL进行执行即可
• 二是该系统如果比较复杂，难以sim2real

• 如何寻找创新点？想法从哪里来

关键要点总结

• 研究目标：通过结合迁移学习(TL)和强化学习(RL)来提高多智能体系统(MAS)的训练效率

• 应用场景：包括游戏(狼人杀、waterworld)、交通系统、无人机编队和机器人协作

• 实验计划：以剪刀石头布为初步验证场景，对比迁移前后的决策分布

• 主要挑战：研究必要性论证、实际应用场景的确定、sim2real转化问题、创新点挖掘

• 研究目标：通过结合迁移学习(TL)和强化学习(RL)来提高多智能体系统(MAS)的训练效率

• 应用场景：包括游戏(狼人杀、waterworld)、交通系统、无人机编队和机器人协作

• 实验计划：以剪刀石头布为初步验证场景，对比迁移前后的决策分布

• 主要挑战：研究必要性论证、实际应用场景的确定、sim2real转化问题、创新点挖掘