本文首发于：行者AI
在多agent的强化学习算法中，前面我们讲了QMIX，其实VDN是QMIX的一个特例，当求导都为1的时候，QMIX就变成了VDN。QTRAN也是一种关于值分解的问题，在实际的问题中QTRAN效果没有QMIX效果好，主要是QTRAN的约束条件太过于松散，导致实际没有理论效果好。但是QTRAN有两个版本，QTRAN_BASE和QTRAN_ALT，第二版本效果比第一要好，在大部分实际问题中和QMIX的效果差不多。
上述的算法都是关于值分解的，每个agent的回报都是一样的。如果在一局王者荣耀的游戏中，我方大顺风，我方一名角色去1打5，导致阵亡，然后我方4打5，由于我方处于大优势，我方团灭对方，我方所有的agent都获得正的奖励。开始去1打5的agnet也获得了一个正的奖励，显然他的行为是不能获得正的奖励。就出现了“吃大锅饭”的情况，置信度分配不均。
COMA算法就解决了这种问题，利用反事实基线来解决置信度分配的问题。COMA是一种“非中心化”的策略控制系统。
1. Actor-Critic
COMA主要采样了Actor-Critic的主要思想，一种基于策略搜索的方法，中心式评价，边缘式决策。
2. COMA
COMA主要使用反事实基线来解决置信分配问题。在协作智能体的系统中，判断一个智能体执行一个动作的的贡献有多少，智能体选取一个动作成为默认动作（以一种特殊的方式确认默认动作），分别执行较默认动作和当前执行的动作，比较出这两个动作的优劣性。这种方式需要模拟一次默认动作进行评估，显然这种方式增加了问题的复杂性。在COMA中并没有设置默认动作，就不用额外模拟这基线，直接采用当前策略计算智能体的边缘分布来计算这个基线。COMA采用这种方式大大减少了计算量。
基线的计算：
COMA网络结构
图中（a）表示COMA的集中式网络结构，（b）表示actior的网络结构，（c）表示Critic的网络结构。
3. 算法流程
-
初始化actor_network，eval_critic_network，target_critic_network，将eval_critic_network的网络参数复制给target_critic_network。初始化buffer (D)，容量为(M)，总迭代轮数(T)，target_critic_network网络参数更新频率(p)。
-
(for) (t)=(1) (to) (T) (do)
1）初始化环境
2）获取环境的(S)，每个agent的观察值(O)，每个agent的(avail) (action)，奖励(R)。
3）(for) (step=1) (to) (episode)_(limit)
a）每个agent通过actor_network，获取每个动作的概率，随机sample获取动作(action)。actor_network，采用的GRU循环层，每次都要记录上一次的隐藏层。
b）执行(action)，将(S)，(S_{next})，每个agent的观察值(O)，每个agent的(avail) (action)，每个agent的(next) (avail) (action)，奖励(R)，选择的动作(u)，env是否结束(terminated)，存入经验池(D)。
c）(if) (len(D)) (>=) (M)
d）随机从(D)中采样一些数据，但是数据必须是不同的episode中的相同transition。因为在选动作时不仅需要输入当前的inputs，还要给神经网络输入hidden_state，hidden_state和之前的经验相关，因此就不能随机抽取经验进行学习。所以这里一次抽取多个episode，然后一次给神经网络传入每个episode的同一个位置的transition。
e）(td\_error =G_t-Q\_eval)计算loss,更新Critic参数。(G_t)表示从状态(S)，到结束，获得的总奖励。
f）通过当前策略计算每个agent的每个step的基线，基线计算公式：
g）计算执行当前动作的优势advantage：
h）计算loss，更新actor网络参数:
i）(if) (t) (p==0) :
j）将eval_critic_network的网络参数复制给target_critic_network。
4. 结果对比
我自己跑的数据，关于QMIX，VDN，COMA，三者之间的对比，在相同场景下。
5. 算法总结
COMA在论文写的算法原理很好，但是在实际的场景中，正如上面的两张图所示，COMA的表现并不是很理想。在一般的场景中，并没有QMIX的表现好。笔者建议读者，在实际的环境中，可以试试VDN，QMIX等等，COMA不适合“带头冲锋”。
6. 资料
PS：更多技术干货，快关注【公众号 | xingzhe_ai】，与行者一起讨论吧！