# 值分解

这篇综述以马尔可夫博弈及其去中心化、部分可观测变体为数学框架，把多智能体强化学习算法文献归为三条谱系——各自独立学习、将团队价值分解为个体分量（VDN、QMIX 及其后续）、以及用具备全局信息的评论家训练的策略-评论家方法（MADDPG、COMA、MAPPO），并讨论了移动目标学习、共享奖励分配、局部视野受限与联合动作空间增长等区别于单智能体的障碍，说明为何“训练时用全局信息、执行时用局部信息”成为标准设计，同时回顾了实时策略游戏、机器人团队、自动驾驶车辆、无线资源共享与大模型智能体编排等应用及社区常用测试套件，最后指出规模、与陌生伙伴协作和部署安全方面的未解问题。

这篇综述以马尔可夫博弈及其去中心化、部分可观测变体为数学框架，把多智能体强化学习算法文献归为三条谱系——各自独立学习、将团队价值分解为个体分量（VDN、QMIX 及其后续）、以及用具备全局信息的评论家训练的策略-评论家方法（MADDPG、COMA、MAPPO），并讨论了移动目标学习、共享奖励分配、局部视野受限与联合动作空间增长等区别于单智能体的障碍，说明为何“训练时用全局信息、执行时用局部信息”成为标准设计，同时回顾了实时策略游戏、机器人团队、自动驾驶车辆、无线资源共享与大模型智能体编排等应用及社区常用测试套件，最后指出规模、与陌生伙伴协作和部署安全方面的未解问题。