政策梯度分解

深度分析

Agent‑Chained Policy Optimization (ACPO)：精確分解協同多代理強化學習的政策梯度

本研究聚焦於協同多代理強化學習的共享回報優化，提出Agent‑Chained Policy Optimization（ACPO）演算法，透過將聯合政策梯度精確分解為每個代理的局部梯度，並以信念機制串接更新。實驗在多機器人倉儲、SMACv2與MA‑MuJoCo基準上皆顯著超越既有方法，且增益隨代理數量提升。