01多智能体交互模型：标准博弈与随机博弈

---

前言

多智能体强化学习——博弈论模型

---

一、博弈分层模型

1.Normal-form game（标准博弈）

标准博弈：
每个智能体采取策略，根据策略采取对应的动作，所有动作组成联合动作空间，每个智能体根据奖励函数与联合动作空间获取奖励。

根据奖励的不同分类

主要分为三类：零和博弈、共同利益博弈、一般和博弈
零和博弈：所有智能体的奖励和为0；共同利益博弈：所有智能体采取相同的动作获取相同的奖励；一般和博弈：不同智能体之间的奖励函数没有关系

repeated Normal-form game

标准博弈描述了多个智能体的单次交互过程，通过重复标准博弈获得多次交互，得到一个序列的博弈过程。在第t个时间步，每个智能体根据随机性的策略采取相应的动作，第t个时间步的策略受到t时刻之前的联合动作的影响， h t = { a 0 , a 1 , . . . . . , a t ? 1 } h^t=\{a^0,a^1,.....,a^{t-1}\} ht={a0,a1,.....,at?1}，其中 a t = { a 1 t , a 2 t , . . . . . , a n t } a^t=\{a_1^t,a_2^t,.....,a_n^t\} at={a1t?,a2t?,.....,ant?}，每个智能体在t时刻根据联合动作获取到对应的奖励。

有限重复博弈与无限重复博弈

一般并不相同，有限过程会受到“end-game”的影响，智能体采取动作时会倾向选择靠近游戏结束的动作，而无限过程，可以指定每一步游戏结束的概率。

更复杂的策略

在第t个时间步，策略是由过去的整个联合状态决定的，与其内部的历史联合动作序列相关($f(h^t)$)，随机策略更加复杂。

2.随机博弈

随机博弈：


随机博弈过程：根据初始状态分布，在t时刻每个智能体观测当前的环境$s^t$，根据随机策略${\pi }_i(a_i^t|h^t)$，采取动作$a_i^t$，产生t时刻的联合动作 a t = { a 1 t , a 2 t , . . . . . , a n t } a^t=\{a_1^t,a_2^t,.....,a_n^t\} at={a1t?,a2t?,.....,ant?}。随机策略是在历史序列的条件下选择动作，其中$h^t=(s^0,a^0,s^1,a^1,....,s^t)$，对于每个智能体都是全部可观测的。获取到t时刻的联合动作后，根据当前状态转移到新的状态$\mathcal{T}(s^t,a^t,s^{t+1})$，每个智能体会得到对应的奖励$r_i^t={\mathcal{R}}_i(s^t,a^t,s^{t+1})$，经过许多时间步长后，终止在最终状态（有限过程）。

马尔科夫性

随机博弈过程遵循马尔科夫性质，下一时刻的状态与奖励只与当前的状态有关。
$\mathrm{Pr}(s^{t+1},r^t\mid s^t,a^t,s^{t?1},a^{t?1},...,s^0,a^0)=\mathrm{Pr}(s^{t+1},r^t\mid s^t,a^t)$
因此随机博弈也称为马尔科夫博弈过程。

repeated 标准博弈、随机博弈图示