다중 목적 다중 에이전트 강화학습 (Multi-Objective Multi-Agent Reinforcement Learning)을 위한 협력적

요약

상충하는 여러 목적을 가진 다중 에이전트 환경에서 협력적 의사결정을 위한 PCMA 모델을 제안합니다. 에이전트 간의 선호도를 조정하여 팀 전체의 성능과 트레이드오프 조율 능력을 향상시키는 이론적 근거와 실험 결과를 제시합니다.

핵심 포인트

• 상충하는 목적을 가진 MOMARL 환경을 팀 최적 게임으로 공식화
• 에이전트별 선호도를 학습하는 PCMA 알고리즘 제안
• 선호도 다양성이 팀 성능 향상을 유도함을 이론적으로 증명
• 교통 제어 등 실제 시나리오에서 성능 및 트레이드오프 조정 능력 입증