Nash Q-Learning算法是将Minimax-Q算法从零和博弈扩展到多人一般和博弈的算法。在Minimax-Q算法中需要通过Minimax线性规划求解阶段博弈的纳什均衡点,拓展到Nash Q-Learning算法就是使用二次规划求解纳什均衡点,具体求解方法后面单独开一章讲解。Nash Q-Learning算法在合作性均衡或对抗性均衡的环境中能够收敛到纳什均衡点...
Nash Q-Learning算法 是将Minimax-Q算法扩展到多人一般和博弈场景。它使用二次规划求解纳什均衡点，适用于合作或对抗环境。然而，算法的收敛性依赖于每个状态的阶段博弈中存在全局最优点或鞍点，这在实际应用中可能不易满足。Friend-or-Foe Q-Learning算法（FFQ） 则是Minimax-Q算法的进一步拓展，旨在处理...
首先，让我们聚焦于Minimax-Q算法，它专为零和博弈设计，但其背后隐藏着计算复杂性和对对手独立性的依赖。这就像一场零和游戏中，一方的胜利建立在另一方的损失之上，挑战在于如何在有限的计算资源下，找到最佳策略。然而，Nash Q-Learning则将我们带入更广阔的博弈领域，它追求全局最优点，但代价是计算...
Nash Q-Learning算法是将Minimax-Q算法从零和博弈扩展到多人一般和博弈的算法。在Minimax-Q算法中需要通过Minimax线性规划求解阶段博弈的纳什均衡点,拓展到Nash Q-Learning算法就是使用二次规划求解纳什均衡点。Nash Q-Learning算法在合作性均衡或对抗性均衡的环境中能够收敛到纳什均衡点,其收敛性条件是,在每一个状态...