多代理强化学习（MARL）技术

多代理强化学习（Multi-Agent Reinforcement Learning, MARL）是一种机器学习领域的方法，它涉及两个或更多的智能体（agents）在复杂的环境中共同学习并相互影响。每个智能体都通过观察环境、执行动作和接收奖励来进行决策，目的是优化它们的整体性能而非单个个体。

在MARL中，关键挑战包括协作与竞争、非合作博弈、信息共享或隐藏等。智能体需要学会如何协调行动策略，平衡自私行为与团队利益。一些常见的MARL算法有Q-learning with non-stationary opponents、Centralized Training with Decentralized Execution (CTDE)架构，以及基于模型的协同策略搜索。