우리는 다중 에이전트 심층 강화학습 (Multi-Agent Deep Reinforcement Learning)을 조사하고, MADDPG (Multi-Agent Deep Deterministic Policy Gradient) 알고리즘에 대한 두 가지 개선 사항을 제안합니다. 첫째, 각 에이전트가 다른 에이전트들의 의도된 행동을 예측할 수 있게 하여 자신의 정책 (Policy) 정확도와 안정성을 향상시키는 새로운 행동 추론 (Action Inference) 메커니즘을 도입합니다. 둘째, 리플레이 버퍼 (Replay Buffer) 내에서 기하 분포 (Geometric Distribution)를 사용하는 중요도 샘플링 (Importance Sampling) 전략을 적용하여, 더 최근의 유익한 경험에 우선순위를 부여함으로써 다중 에이전트 환경에 내재된 비정상성 (Non-stationarity)을 완화하는 데 도움을 줍니다. 우리는 일반적인 다중 에이전트 강화학습 벤치마크를 위한 유연한 Python 인터페이스인 PettingZoo 라이브러리에서 제공하는 이산 행동 (Discrete-action) 포식자-피식자 (Predator-Prey) 태스크를 통해 두 가지 수정 사항을 모두 평가합니다. 우리의 결과는 행동 추론 (Action Inference)이 학습 안정성과 에이전트 간 협력 (Inter-agent cooperation)을 개선하는 데 효과적이며, 기하 분포를 사용한 중요도 샘플링 (Importance Sampling)이 표준 MADDPG에 비해 탐색 효율성 (Exploration efficiency)을 크게 향상시킬 수 있음을 나타냅니다. 코드는 https://github.com/shaashwathsivakumar/MARL_Proj 에서 확인할 수 있습니다.