Chapter 07 多智能体强化学习基础

于由ouyangshixiong发布

本教程讲解多智能体强化学习的理论基础。

可随意转载！

多智能体强化学习的由来？

理论上使用马尔科夫决策过程（MDP）可以解决多智能强化学习的问题。本质上只是单智能体的单Action变成了多智能体的联合多Action。单智能体的Policy变成了多智能体的联合多Policy。编码上是类似的，难度不大。

为啥要搞出一套理论来做多智能体强化学习呢？

因为在很多场景下，智能体和智能体之前是不可见的 异或 是协作的。比如说agent1和agent2互相是不可见的，如果训练的时候，把他们的参数放到一起，本质上，算法认定它们是可见的，因此训练出来的效果肯定跟实际情况肯定不一样。反之，agent1和agent2是协作的，如果不把他们的参数放到一起，训练的结果必然是两个agent各干各的，也不符合实际情况。因此，用MDP开发多智能体强化学习算法，必定会落入两难的境地。

多智能体决策原理

一、部分可观察马尔科夫决策过程POMDP

假定七元组（S, A, T, R, Ω, O, γ）:

其中：
S 状态
A 动作
T 状态转移S概率 T(s1, a, s2) = P(s2|s1, a)
R 奖励
Ω 观察，包含很多o
O 观察Ω的概率 O(s, a, o) = P(o|s,a) 其中o就是观察Ω中包含的对应observation
γ 衰减因子

其中（S, A, R, γ）是单智能体强化学习常见概念，就不讲了。剩下（T, Ω, O）三元组，我们来理解一下它们的含义：

在POMDP的假设中，Agent从状态S0开始，以状态转移概率函数T为指导，概率执行动作A，执行完毕后，它无法知道自己的状态，只能根据观察Ω（Partially Observation），此观察Ω来自概率函数O,来得到belief（觉得自己应该在哪个S）。

belief是什么呢？它是一个维度等于总状态空间数的one-hot向量。表示从概率上看目前应该是在哪个状态。

那么问题来了，状态概率函数T怎么算？观察概率函数O怎么算？在数学上这是很难的。

二、分散控制的马尔科夫决策过程DEC-POMDP

把Dec-POMDP表示为：M = <I, S, {Ai}, P, R, {Ωi}, O, h >

  • I, agent集合
  • S, 状态集合
  • Ai, 某个agent i的所有动作集合
  • P, 状态转移函数: P(s’ | s, a)
  • R, 全局奖励函数: R(s, a)
  • Ωi, 某个agent i观察到的状态o的集合, 所有agent的值汇总就是：Ω 
  • O, 观察的概率函数: O(o| s, a), agent观察到o的概率
  • h, 步数，比如：infinite horizon表示无限步
  • 无限步时，γ表示衰减, 0 ≤ γ < 1 

三、算法复杂度分析

几个问题之间的关系

从图上我们可以看到Dec-POMDP问题是其他几个问题的泛化，在数学上有个专门的名字叫Reducibility,中文叫做“归约”或者“约化”。所以只要我们能用算法解决Dec-POMDP问题，那么其他问题都是可解决的。

《算法复杂度证明》论文下载

简述论文结论：

  1. 有限步h，m个agent（m≥2）条件下，Dec-POMDP算法复杂度为NEXP-complete
  2. 有限步h，m个agent（m≥3）条件下，Dec-MDP算法复杂度也是NEXP-complete

NEXP-complete问题是NEXP问题的归约，我们可以先看NEXP问题的复杂度是多少？

NEXP= NTIME,也就是（2n ）。

常见的NP问题复杂度是多少呢？

P问题表示在图灵多项式范围内可解。NP问题表示在每个非确定图灵多项式范围内可解。结论：NP问题已经是非常著名的难以求解的数学问题。

NP问题和NEXP问题的相对难度是怎么样的呢？

P ⊆ NP ⊆ EXPTIME ⊆ NEXP

所以，在数学理论上，Dec-POMDP问题是通常是无解的。只能求近似解。

四、从IQL算法到QMIX算法

1. IQL算法

IQL（independent Q-learning）算法非常简单暴力地给每个智能体执行一个Q-learning算法。IQL把单智能体Q-learning算法直接应用在多智能体学习领域，各个智能体是各自为政的。这是此类算法的一个极端。

2. COMA算法

COMA (counterfactual multi-agent) 使用一个集中式的critic网络计算优势函数A，统一给Agenti计算对应的actioni分别去执行。所谓CTDE（central training decentralize execution）。COMA是把Actor-critic单智能体算法直接应用在多智能体学习领域，各个智能体按照集中的critic网络指令行事，它们是完全协作关系。这是此类算法的另一个极端。

因此多智能体强化学习算法必然都是在两个算法之间做平衡。Agent既不能完全独立行事，也不能完全按中心节点指令行事。比如DeepMind的经典算法VDN以及QMIX算法。

那么这些算法都在解决什么问题呢？

只要模型共享Qtot值函数，团队奖励值ri有可能仅仅是某几个智能体获得的，其它智能体并没有做贡献但缺获得了奖励值ri。这就是所谓多智能体信用分配（credit assignment）问题。

在COMA算法中，为了解决多智能体信用分配问题，提出了优势函数A（遍历Agenti动作空间μi里的所有动作，而保持其它Agent的动作空间μ–不变，计算每个Agenti的参数值。）

这个思想来自difference reward。difference reward的思想是：保持其他智能体的联合动作不动，把当前智能体的action替换为一个default action，检查值函数Q是否有变化，如果没有，代表当前智能体的action是无贡献的action，因为奖励r不是当前智能体的action获得的。但是difference reward思想有个问题，default action选谁？？？无法选择！！！为了解决这个问题，COMA定义了优势函数A，解决了多智能体信用分配问题。如果仔细看算法的A函数公式，它其实就是AC算法中常用的优势函数A在多智能体领域的扩展而已。

3. VDN算法

VDN：value decomposition networks。VDN算法假定：Qtot是每个智能体的Qi的算术加和。对于智能体Agenti来说，它只用最大化Qtot函数的子项Qi函数即可。如下图：

左边IQL，右边VDN

VDN的作者假定如下等式：

h表示序列观察，a表示序列动作。d次动作的Q值为所有agent Q值的算术和

这个等式要成立需要满足下面的条件：

d次动作后，状态集合s，动作集合a的总奖励r等于所有agent 在动作a下，观察到状态o的奖励值的算法和

算法作者的想法是：团队的整体奖励应由所有智能体各自的奖励函数求和得到。但是真实的恒等式应该是如下：

d次动作的总Q值是各个agent的Q值的算术和

恒等式中：子函数Qi 的输入应该是全局状态集合s，和全局动作集合α，但是VDN的实际输入为局部观察Oi 和局部动作集合αi。因此VDN要求算法满足以下条件：

argmax函数

4. QMIX算法

QMIX算法作者经过研究发现:在VDN算法中上述argmax等式约束条件过于严格了。经过研究他提出了更为合理的约束条件（Q函数单调性约束）如下：

Q函数单调性（Monotonicity）定义

根据上述单调性理论，算法作者巧妙的设计了神经网络Mixing Network,将全局状态s引入到网络中，我们来看看这个Mixing Network：

Mixing Network定义

蓝色网络(Mixing Network)：单调网络（注意W1 和W2 中间偏左的单调函数示意图）

蓝色网络输入：所有agent自己的Qi序列

蓝色网络输出：Qtot

红色网络：蓝色网络的超参数生成网络，输入为全局状态s。红色网络的参数可以为正为负，只要保证输出为正数即可。（QMIX算法作者在论文中解释了,不直接将状态s作为超参数传入蓝色网络的原因,他认为这本质也增加了过度约束。）最终QMIX算法的网络结构如下：

a)Mixing Network b)整体网络 c)Agent Network

五、PARL源码阅读 – QMIX的实现

1.加载sc2游戏环境

# 加载smac环境，使用配置scenario指定的地图，游戏难度设置为”难“    
env = StarCraft2Env(
        map_name=config['scenario'], difficulty=config['difficulty'])
# 类似其他强化学习环境，定义了PARL对游戏的标准封装，比如step函数，reset函数    
env = SC2EnvWrapper(env)

2.初始化经验回放池

rpm = EpisodeReplayBuffer(config['replay_buffer_size'])

3.初始化模型（老三样之一）

根据QMIX理论部分介绍，我们清楚知道QMIX算法有2个网络，一个是DRNN网络；一个是Mixing网络。

# DRNN网络，agent用的网络
agent_model = RNNModel(config['obs_shape'], config['n_actions'],
                           config['rnn_hidden_dim'])
# Mixing网络，Q网络
qmixer_model = QMixerModel(
        config['n_agents'], config['state_shape'], config['mixing_embed_dim'],
        config['hypernet_layers'], config['hypernet_embed_dim'])

4.初始化算法（老三样之二）

# PARL官方实现的QMIX算法
algorithm = QMIX(agent_model, qmixer_model, config['double_q'],
                     config['gamma'], config['lr'], config['clip_grad_norm'])

5.初始化agent（老三样之三）

qmix_agent = QMixAgent(
        algorithm, config['exploration_start'], config['min_exploration'],
        config['exploration_decay'], config['update_target_interval'])

6.训练

# 训练的主要逻辑跟DQN没有差别
def run_train_episode(env, agent, rpm, config):
    ...
    # 初始化环境
    state, obs = env.reset()
    ...
    while not terminated:
        # 获得动作
        actions = agent.sample(obs, available_actions)
        # env标准封装的step
        next_state, next_obs, reward, terminated = env.step(actions)
        ...

    ...
    if rpm.count > config['memory_warmup_size']:
        for _ in range(2):
           # 从经验回放池取batch
            s_batch, a_batch, r_batch, t_batch, obs_batch, available_actions_batch,\
                    filled_batch = rpm.sample_batch(config['batch_size'])
            # learn方法
            loss, td_error = agent.learn(s_batch, a_batch, r_batch, t_batch,
                                         obs_batch, available_actions_batch,
                                         filled_batch)
            ...

    ...

其中available_actions是来自smac提供的游戏接口。

7. Agent的sample方法

    # 也是一样的e-greedy算法
    def sample(self, obs, available_actions):
        ...
        epsilon = np.random.random()
        if epsilon > self.exploration:
            actions = self.predict(obs, available_actions)
        else:
            actions = AvailableActionsSampler(available_actions).sample()
        ...

8.env的step方法

    def step(self, actions):
        # smac的step
        reward, terminated, _ = self.env.step(actions)
        # 从smac获取最新全局状态
        next_state = np.array(self.env.get_state())
        last_actions_one_hot = self._get_actions_one_hot(actions)
        # 获取局部观察o
        next_obs = np.array(self.env.get_obs())
        next_obs = np.concatenate(
            [next_obs, last_actions_one_hot, self.agents_id_one_hot], axis=-1)
        return next_state, next_obs, reward, terminated

这里跟DQN不同了，因为这里有局部观察o和全局状态s了。而DQN算法里面state和observation是一个意思。

9.QMIX网络的实现

# 红色网络（超参数网络）定义 linear-->ReLu-->linear
self.hyper_w_1 = nn.Sequential(
    nn.Linear(self.state_shape, hypernet_embed_dim), nn.ReLU(),
    nn.Linear(hypernet_embed_dim, self.embed_dim * self.n_agents))
self.hyper_w_2 = nn.Sequential(
    nn.Linear(self.state_shape, hypernet_embed_dim), nn.ReLU(),
    nn.Linear(hypernet_embed_dim, self.embed_dim))
# 红色网络输入为全局状态s
# abs使得红色网络输出为正数
w1 = paddle.abs(self.hyper_w_1(states))
w2 = paddle.abs(self.hyper_w_2(states))
# 蓝色网络（Mixing Network）定义
# 蓝色网络输入为agent Q，输出为Qtot
...
# bmm：矩阵乘法
hidden = F.elu(paddle.bmm(agent_qs, w1) + b1)
y = paddle.bmm(hidden, w2) + b2
q_total = y.reshape(shape=(batch_size, -1, 1))
return q_total

这里用到了elu激活函数，我们看下它的特性：

elu和relu的区别在负区间，relu输出为0，而elu输出会逐渐接近-α，更具鲁棒性。elu激活函数另一优点是它将输出值的均值控制为0

10.QMIX learn方法

...
        chosen_action_global_qs = self.qmixer_model(chosen_action_local_qs,
                                                    state_batch[:, :-1, :])
        target_global_max_qs = self.target_qmixer_model(
            target_local_max_qs, state_batch[:, 1:, :])

        # 经典的DQN Reward计算公式
        target = reward_batch + self.gamma * (
            1 - terminated_batch) * target_global_max_qs
        td_error = target.detach() - chosen_action_global_qs
        masked_td_error = td_error * mask
        mean_td_error = masked_td_error.sum() / mask.sum()
        loss = (masked_td_error**2).sum() / mask.sum()
...
        # 这个反向传播的loss来源是：loss<--masked_td_error<--td_error
        # 所以这个td-error在QMIX中是用到了的，不同于DQN
        loss.backward()

六、训练基于QMIX的星际争霸微操

在Win10本机训练的时候，游戏训练过程中，会意外报错：找不到显卡，因此放到AIStudio上训练，只开CPU版本，单线程训练。结果如图：

train loss

这个demo的问题是速度太慢，大概是3.8 分钟/万步。而最简单的一个demo就需要100万步，算下来要6.3个小时。需要写一个项目采用xparl分布式计算。

七、使用xparl训练

请看AIStudio分享

  1. 在Ubuntu18.04操作系统上搭建训练环境
  2. 安装星际争霸训练环境SC2.4.10.zip
  3. 安装训练python工具smac
  4. 安装训练用游戏地图SMAC_Maps.zip
  5. 测试smac是否安装好
  6. 安装PaddlePaddle-linux-gpu-2.x版本
  7. 安装PARL2.x版本
  8. 安装visualdl
  9. 配置linux的环境变量
  10. 启动xparl集群
  11. 启动训练
  12. 启动visualdl工具监控训练过程

为什么要用GPU版本的PaddlePaddle？

QMIX算法属于CTDE这一类，因此它的集中学习部分代码使用GPU会大大提升它的训练速度。

  • C = compute = CUDA or OpenCL
  • G = graphics = DirectX or OpenGL

1c3s5z训练效果：

八、源码分享

采用xparl多CPU集群提升训练效率，改进后的源码在这里。

Baidu网盘效果游戏录像文件：提取码: vzag

九、进一步优化QMIX

在smac环境下使用QMIX算法来学习《星际争霸》微操。

  1. 重新架构单进程的QMIX算法，利用xparl的并行能力
  2. 创建actor执行游戏，采集训练数据
  3. 创建calc_q执行计算Q函数的工作，减轻主进程的计算压力

分类： 培训课程机器学习

相关文章

大语言模型

RDAgent解析

目录 一、研究背景二、研究框架和研究方法2.1 研究框架2.2 研究方 阅读更多…

大语言模型

LoRA Learns Less and forgets Less

目录 摘要一、引言四、 结论4.1 LoRA在代码和数学问题上比FT差 阅读更多…

大语言模型

大语言模型的LoRA方法综述

目录 前言一、LoRA二、QLoRA三、DoRA四、GaLore五、P 阅读更多…