我刚刚阅读了有关Q学习的信息，但不确定我是否理解正确。我看到的所有示例都是迷宫中的老鼠，老鼠必须朝着奶酪移动，而奶酪不会移动。
我只是想知道在鼠标和奶酪都移动（因此一个特工追赶而另一个特工逃走）的情况下是否可以进行Q学习。
如果在这种情况下Q学习不起作用，那么我们还有其他有效的算法（贪婪或非贪婪）吗？
这种情况还存在正式/学术名称吗？我想搜索有关此问题的论文，但找不到其正式/学术名称。
非常感谢您！
答案 0 :(得分：0)
所有 RL 算法都支持单个代理学习策略。在涉及多个角色（例如鼠标和奶酪）的问题中，一个角色（鼠标）将使用 RL 算法学习策略，而另一个角色（奶酪）将由某个非 RL 的 AI 引导。如果鼠标和奶酪都是 RL 代理，那么您正在查看多代理 RL。这是一个很好的框架：https://github.com/PettingZoo-Team/PettingZoo/
Q-learning 可能是最受初学者欢迎的 RL 技术，但只能解决非常简单的具有离散状态空间的玩具问题，例如 2D 迷宫。它在解决具有连续状态空间的问题时不是很有效，即使是简单的问题，例如 Cartpole。它可能会解决这些问题，但比其他 RL 方法需要更长的时间。然而，Q-learning 与神经网络相结合，可以非常强大，正如深度 Q 网络 (DQN) 和双 DQN 等 RL 方法所证明的那样。