理解与学习MADDPG算法：一份轻松易懂的摘要

传统算法用于多智能体环境下的困难：

• Q-learning受到环境不稳定性的挑战
• 策略梯度的方法随着智能体数量增加，方差变大。
  本文的贡献：
• 提出了一种actor-critic方法的变种：在考虑其他智能体action-policy的同时，能够学习到需要多智能体的协同policy；
• 引入了一种训练方式，集成了各智能体的policy，来形成一个更加鲁棒的多智能体policy。
• 在既合作又竞争的场景下进行测试，验证在这种场景下，智能体集群能够学习到物理和信息层面的合作策略。