1.【MADRL】多智能体深度强化学习《纲要》2.【MADRL】独立Q学习（IQL）算法3.【MADRL】基于MADRL的单调价值函数分解（QMIX）算法4.【MADRL】多智能体深度确定性策略梯度（MADDPG）算法5.【MADRL】多智能体双延迟深度确定性策略梯度（MATD3）算法6.【MADRL】多智能体近似策略优化（MAPPO）算法​7.【MADRL】反事实多智能体策略梯度（COMA）算法

【RL】强化学习入门：从基础到应用强化学习，本文介绍了强化学习的基础和python经典实现。（Reinforcement Learning, RL）是机器学习的一个重要分支，它使得智能体通过与环境的互动来学习如何选择最优动作，以最大化累积奖励。近年来，随着深度学习技术的发展，强化学习取得了显著的进展，尤其在复杂任务中的表现令人瞩目。

MADDPG (Multi-Agent Deep Deterministic Policy Gradient) 是一种用于多智能体强化学习环境的算法。它由2017年发布的论文《Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments》提出。MADDPG结合了深度确定性策略梯度（DDPG）算法的思想，并对多智能体场

随机网络蒸馏（RND）是一种自监督学习方法，旨在提高强化学习中的探索效率。该算法由 Chesney et al. 在论文《Random Network Distillation as a Method for Intrinsic Motivation》提出，RND 利用随机神经网络的输出与环境状态的真实特征之间的差异来生成内在奖励，鼓励智能体探索未见过的状态。这种方法尤其适用于外部奖励稀疏的环境。

Plan2Explore是自监督强化学习中的一项创新算法，旨在解决探索问题，尤其是在没有外部奖励信号或奖励稀疏的情境下，如何让智能体有效探索环境。Plan2Explore通过自监督的方式来提高智能体对环境的探索能力，不依赖外部奖励。

为了进一步提升Curiosity-driven Exploration (CDE)算法在强化学习任务中的性能，可以考虑通过以下几个方面的改进来优化智能体的探索行为和效率.

强化学习（Reinforcement Learning，简称 RL）是一种让机器“通过尝试和错误学习”的方法。它模拟了人类和动物通过经验积累来学会做决策的过程，目的是让机器或智能体能够在复杂的环境中选择最优的行为，从而获得最大的奖励。我们在这里介绍了单智能体强化学习的相关算法。

行为规范Actor Critic算法（Behavior Regularized Actor Critic，BRAC） 是一种专门为离线强化学习设计的算法，其主要目标是通过行为正则化（Behavior Regularization）来解决由于数据分布偏差导致的策略退化问题。BRAC 算法是由Yifan Wuet al. 在 2019 年的论文“Behavior Regularized Offline

基于迁移学习的强化学习（Reinforcement Learning with Transfer Learning，简称 RL-TL）是将迁移学习（Transfer Learning）的概念应用于强化学习（Reinforcement Learning，简称 RL）中的一种方法。其核心思想是在强化学习的环境中，利用已有的经验或在其他任务中学到的知识来提升学习效率和表现。这样可以减少从零开始学习的时间

在多智能体强化学习（Multi-Agent Reinforcement Learning, MARL）的研究和应用中，构建合适的环境来测试和评估算法是非常重要的。以下是一些常用的多智能体强化学习环境，它们涵盖了多种任务类型，如协作、对抗、竞争等，帮助研究者验证算法的效果。SMAC（StarCraft Multi-Agent Challenge）、 MPE（Multi-Agent Particle