限带宽下的多智能体通信学习 —— 基于互联网数据包路由的应用

MMFeb, 2019

限带宽下的多智能体通信学习 —— 基于互联网数据包路由的应用

Learning Multi-agent Communication under Limited-bandwidth Restriction for Internet Packet Routing

Hangyu Mao, Zhibo Gong, Zhengchao Zhang, Zhen Xiao, Yan Ni

TL;DR本研究提出了一种门控机制来自适应地剪枝无用消息，使得在多智能体通信时，性能得到显著提升，同时在真实世界中的数据包路由任务和四个基准测试任务中，比现有的基于深度强化学习和基于规则的方法都表现良好。

Abstract

Communication is an important factor for the big multi-agent world to stay organized and productive. Recently, the AI community has applied the Deep Reinforcement Learning (DRL) to learn the communication strategy and the control policy for multiple agents. However, when implementing the communication for real-world multi-agent applications, there is a more

multi-agent communication deep reinforcement learning limited-bandwidth restriction gating mechanism packet routing

发现论文，激发创造

通过消息修剪实现有限带宽下的学习代理通信

本文提出一种门控机制以解决多智能体系统中有限带宽的问题，可大幅减少不必要的信息传递，提高信息传递的性能和效率。

Dec, 2019

学习高效的多智体通信：信息瓶颈方法

研究了在有限带宽传输的情况下，多智能体强化学习所需的有效通信协议和分配方法，并基于信息瓶颈原则学习了一种有价值的、紧凑的通信协议及其权重调度策略。通过实验，证明了这种方法在有限的带宽条件下实现了有效通信。

Nov, 2019

合作多智能体强化学习中实用通信策略的学习

本文提出了一个框架，利用神经消息编码器来学习多智能体强化学习中的通信策略，包括消息传输时机、消息内容以及如何保留消息信息。模拟实际的无线网络环境下，与现有技术相比，该框架在游戏性能、收敛速度和通信效率方面都有显著提高。

Sep, 2022

多智能体强化学习中通信调度的学习

本研究提出了一种名为 SchedNet 的多智能体强化学习框架，其中智能体能够自主学习如何安排通讯、编码消息以及根据接收到的信息选择动作，并在合作通讯与导航以及捕猎等不同应用场景下展示了比其他机制更显著的表现差距，达到 32% 至 43% 的性能优势。

Feb, 2019

深度多智能体强化学习中的通信学习

本研究基于深度神经网络，提出两种学习策略（RIAL 和 DIAL），探究在多智能体感知与互动的环境下，通过学习通信协议最大化共享效益的问题。研究表明通过这种中心化学习、分散式执行的方法能够在通信难题和多智能体计算机视觉问题领域中实现端到端的协议学习。

May, 2016

基于图注意力多智能体强化学习的分组路由

本文提出了一种基于强化学习（RL）的无模型和数据驱动路径选择策略，结合图神经网络（GNN）的多智能体 RL 框架，探索了中央化，联合和合作学习三种部署范式，模拟结果表明该算法在分组传输延迟和负载方面优于一些现有的基准算法。

Jul, 2021

约束环境物联网感知的智能通信规划与强化学习

通过多智能体强化学习方法，本论文提出在资源受限条件下，为每个传感器找到最优的通信策略，以实现对环境数据进行准确跟踪，同时充分考虑功率和带宽的限制。实验结果表明，该方法能够在未知带宽限制下，平衡数据收集和预测野火蔓延的需求。

Aug, 2023

通过基于记忆的通信提高小规模多智体深度强化学习中的协调

本文提出了一个基于深度确定性策略梯度的多智能体训练框架，利用存储设备并发端到端学习明确的通信协议，来提高小规模系统中智能体的协作和性能，同时研究了不同通信模式对性能的影响。

Jan, 2019

低水平无线通信的协作多智体强化学习

本研究使用强化学习方法，将两个设备间的无线通信建模为优化双向通信策略的问题，以此解决传统无线通信领域所面临的问题，如人工频谱稀缺、无法动态分配频率等。实验结果表明所提出的方法具有优越的学习能力和智能性。

Jan, 2018

通过自适应图形的无线网络中的多智能体强化学习功率控制

无线网络中的动态优化策略是一个重要的研究领域，本文提出了一种使用图神经网络的方法，将分布式代理之间的动态相互作用建模，并在网络优化问题中实现了较好的泛化能力验证

Nov, 2023