多智能体强化学习:基础与现代方法

多智能体强化学习（Multi-Agent Reinforcement Learning, MARL）是机器学习中的一个领域，研究多个智能体如何在共享环境中学习最优的交互方式。这一领域在现代生活中有着广泛的应用，包括自动驾驶、多机器人工厂、自动化交易和能源网络管理等。 本书是一部系统阐述多智能体强化学习理论与技术的权威著作，清晰而严谨地介绍了MARL的模型、解决方案概念、算法思想、技术挑战以及现代方法。书中首先介绍了该领域的基础知识，包括强化学习理论和算法的基础、交互式博弈模型、博弈中的不同解决方案概念以及支撑MARL研究的算法思想。随后，书中详细介绍了利用深度学习技术的现代MARL算法，涵盖集中训练与分散执行、价值分解、参数共享和自博弈等思想。本书还附带了一个用Python编写的MARL代码库，其中包括自包含且易于阅读的MARL算法实现。 本书技术内容以易于理解的语言解释，并通过大量示例行说明，既为初学者阐明了MARL的概念，也为专业的读者提供了高层次的见解。
【推荐语】
《多智能体强化学习：基础与现代方法》是多智能体强化学习领域的权威之作，作者巧妙地将强化学习与博弈论相结合，为该领域的研究和应用奠定了坚实基础。本书不仅适合初学者门，更为成熟研究人员提供了深度洞察和真知灼见，是多智能体强化学习不可或缺的参考书。
【作者】
斯特凡诺·V. 阿尔布莱希特（Stefano V. Albrecht）爱丁堡大学信息学院人工智能专业副教授，并担任该校自主智能体研究组负责人，同时是英国皇家工程院工业研究员、阿兰·图灵研究所多智能体系统研究团队领军学者。他的研究聚焦自主智能体、多智能体系统、强化学习和博弈论领域，核心方向是不确定情况下的序贯决策。菲利波斯·克里斯蒂安诺斯（Filippos Christianos）多智能体深度强化学习领域的研究科学家，主要研究如何高效地使用MARL算法。他编写了多个流行的MARL代码库。卢卡斯·舍费尔（Lukas Sch?fer）多智能体强化学习领域的一位资深研究人员，专注于利用深度强化学习完成更具通用性、鲁棒性和样本效率的决策制定。