多智能体强化学习理论与算法总结

先搞明白on-policy和off-policy
【强化学习】一文读懂，on-policy和off-policy
我的理解：on-policy就是使用最新的策略来执行动作收集数据，off-policy的训练数据不是最新策略收集的。on-policy也是使用同个策略网络去采样动作并执行，更新Q值也需要用到该策略网络。

1.基础概念理解，多智体的状态，观测，奖励等需要重新定义：
强化学习——多智能体强化学习
强化学习笔记：Policy-based Approach

2.最新多智能体强化学习方法总结：
最新多智能体强化学习方法【总结】
这里不错Transformer讲解：
Transformer讲解

3.一些基础算法（PPO,DQN等）步骤
DQN——PPO流程总结
强化学习笔记：PPO 【近端策略优化（Proximal Policy Optimization）】
进阶篇—PPO代码逐行分析

4.TD，GAE优势函数等定义：
GAE 广义优势估计

5.一些经典的多智能算法的局限性总结：
【一】最新多智能体强化学习方法【总结】

6.需要掌握的协作类（合作）的多智体算法：
一、基于价值函数值分解的方法：
（1）COMA算法：
【COMA】一种将团队回报拆分为独立回报的多智能体算法
COMA算法解析: Counterfactual Multi-Agent Policy Gradients

（2）VDN/QMIX/QTRAN/Qatten算法的介绍和局限性：
多智能体深度强化学习值分解方法总结（1）—VDN/QMIX/QTRAN/Qatten

（3）QMIX算法:
多智能体强化学习入门Qmix
代码：https://blog.csdn.net/tianjuewudi/article/details/121005721

（4）QTRAN算法:
QTRAN 算法详解（VDN和QMIX的升级版本）

（5）Qatten算法:
Qatten

（6）MAVEN算法:

（7）Weighted QMIX算法:
从 QMIX 到 WQMIX —— Weighted QMIX 算法详解

（8）QPLEX算法:
多智能体强化学习2021论文（五）QPLEX

最后，有个大佬调研：
多智能体强化学习值函数分解论文调研
多智能体强化学习之值函数分解：VDN、QMIX、QTRAN系列优缺点分析

二、基于PPO的方法：
（1）MAPPO
多智能体强化学习之MAPPO理论解读


（2）HAPPO

（3） MAT

三、好代码：
https://github.com/marlbenchmark/on-policy
https://github.com/hijkzzz/pymarl2

四、一些论文总结
https://www.zhihu.com/people/sanmuyansan-mu-yang/columns