问题描述
也许你可以帮我解决以下问题。
系统模型：
我们假设有两个代理 A 和 B，以及它们对应的动作 a_a 和 a_b。 动作空间定义为 {1,2,3}。数字对应于奖励矩阵的行和列。 奖励矩阵定义如下：
特工 A 的奖励矩阵： [11 0 0,0 0 0,0 0 -10]
特工 B 的奖励矩阵： [11 0 0,0 0 100]
现在，代理 A 选择列，代理 B 选择行。两者都从相应的矩阵中观察到奖励。
优化目标
我们希望最大化整体奖励，即代理 A 和 B 的奖励总和。
现在有什么问题？
按照本教程（ray/centralized_critic.py at master · ray-project/ray · GitHub），我们通过使用集中式评论家多代理系统解决了上述目标。
不幸的是，该系统仅优化了代理的个人奖励，如下所示：
click here for the reward plot
是否有适合我们优化目标的多智能体系统示例，即最大化整体奖励？
在我们的模型中，这将导致总体奖励为 90 而不是 22。
非常感谢。
最好的， 亚伦
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）