AI智能體：強者從不抱怨環境。

原標題：多智能體強化學習算法評估Hard模式來了！浙大、南棲仙策聯手推出
文章來源：機器之心
內容字數：6499字

SMAC-HARD：一個更具挑戰性的星際爭霸II多智能體強化學習環境

本文介紹了由浙江大學和南棲仙策聯合推出的SMAC-HARD環境，這是一個基于星際爭霸II的改進型多智能體強化學習(MARL)模擬環境。它旨在解決現有SMAC環境中對手策略單一、缺乏多樣性等問題，從而為MARL算法評估提供更嚴峻的挑戰。

1. SMAC環境的局限性

傳統的SMAC(星際爭霸多智能體挑戰)環境，包括SMACv1和SMACv2，都使用默認的、單一的對手策略腳本。這導致MARL算法容易過擬合到特定對手策略，或利用對手策略漏洞，從而無法真實反映算法的有效性。

2. SMAC-HARD的改進

SMAC-HARD環境的主要改進在于：

1. 可編輯的對手策略：允許用戶自定義對手策略腳本，提高環境多樣性。
2. 隨機化對手策略：支持預定義概率混合多個對手策略，進一步增強環境的復雜性。
3. MARL自博弈接口：提供對稱接口，方便進行MARL自博弈研究。
4. 黑盒測試：允許對在默認對手策略下訓練的模型進行黑盒測試，評估其策略覆蓋率和遷移能力。
5. 修復SMAC獎勵結算錯誤：修正了SMAC環境中存在的獎勵結算錯誤，使實驗結果更準確。

3. SMAC-HARD的實現

SMAC-HARD基于Python的pysc2代碼包和SMAC框架實現。它修改了SMAC的地圖和starcraft.py文件，以支持多玩家模式、禁用默認攻擊策略，并對玩家行動進行并行化處理，以減少行動順序的影響。環境還支持使用大模型自動生成對手策略腳本。

4. 實驗結果

實驗結果表明，在SMAC-HARD環境中，即使是那些在傳統SMAC環境中表現優異的MARL算法，也難以保持高勝率，這突顯了SMAC-HARD環境的挑戰性。黑盒測試也表明，在單一對手策略下訓練的模型，其策略遷移能力有限。 一些經典算法在SMAC-HARD環境下，即使經過1000萬步訓練，勝率也遠低于在SMAC環境中的表現。

5. 結論

SMAC-HARD環境為MARL算法評估提供了新的挑戰，促進了自博弈方法的發展。它支持對手策略編輯、隨機化和自博弈，并提供了黑盒測試模式，有助于評估算法的策略覆蓋率和遷移能力。 該環境的推出，為MARL社區的研究提供了更具挑戰性和實用性的平臺。

聯系作者

文章來源：機器之心
作者微信：
作者簡介：專業的人工智能媒體和產業服務平臺