多智能体机器学习：强化学习方法

多智能体机器学习： 强化学习方法 [加拿大] 霍华德 M. 施瓦兹 （Howard M. Schwartz） 著 连晓峰 谭励 等译 机 械 工 业 出 版 社 本书主要介绍了多智能体机器人强化学习的相关内容。 全书共 6 章， 首先介绍了几种常用的监督式学习方法， 在此基础上， 介绍了单 智能体强化学习中的学习结构、 值函数、 马尔科夫决策过程、 策略迭 代、 时间差分学习、 Q 学习和资格迹等概念和方法。 然后， 介绍了双 人矩阵博弈问题、 多人随机博弈学习问题， 并通过 3 种博弈游戏详细 介绍了纳什均衡、 学习算法、 学习自动机、 滞后锚算法等内容， 并提 出 LR - I滞后锚算法和指数移动平均 Q 学习算法等， 并进行了分析比 较。 接下来， 介绍了模糊系统和模糊学习， 并通过仿真示例详细分析 算法。 最后， 介绍了群智能学习进化以及性格特征概念和应用。 全书 内容丰富， 重点突出。 本书可作为从事机器学习、 多智能体协同控制等领域的工程技术 人员的参考书， 也可作为高等院校相关专业本科生、 研究生以及教师 的参考用书。 译 者 序 “多智能体” — — —一般专指多智能体系统 （Multi - Agent System， MAS） 或 多智能体技术 （Multi - Agent Technology， MAT）。 多智能体系统是分布式人工智 能的一个重要分支， 是 20 世纪末 ～ 21 世纪初国际上人工智能的前沿学科。 多智 能体学习相关的研究领域已成为人工智能发展的热点。 本书主要介绍了多智能体学习的相关内容， 目的在于解决大型、 复杂的现实 问题， 而解决这类问题已超出了单个智能体的能力。 研究者主要研究智能体之间 的交互通信、 协调合作、 冲突消解等方面， 强调多个智能体之间的紧密群体合 作， 而非个体能力的自治和发挥， 关于 Lyapunov 技术的非线性自适应控制方面 的理论材料被减少， 取而代之的是有关强化学习的思想。 强化学习的目标是取得 最大化的奖励 （回报）。 强化学习和非监督学习最有趣的部分就是奖励的选择， 这是一个全新的发展迅速的应用领域。 机器人团队必须要学会共同工作和相互竞 争。 本书是一本专门介绍多智能体强化学习的著作。 本书中重点研究了双人阶段博弈和矩阵博弈问题。 其中主要通过 3 个不同的 博弈游戏： 猜硬币、 石头 - 剪刀 - 布和囚徒困境来进行阐述。 这些都被称为矩阵 博弈 （matrix games） 或阶段博弈 （stage games） 的游戏， 因为在游戏过程中没 有发生状态转移。 本书没有过于深入研究博弈论本身， 而是专注于与这些游戏相 ......