多代理强化学习 (MARL) 是强化学习的一个子领域，专注于多个代理同时交互的环境。每个代理学习根据其观察和经验做出决策，调整其策略不仅实现其目标，而且响应其他代理的行为。此设置在多个实体必须协作或竞争的场景中特别有用，例如在游戏环境、自动驾驶车辆或机器人技术中。
在MARL环境中，代理在做出决策时必须考虑其他人的行为，这与单代理强化学习相比增加了复杂性。例如，在像《星际争霸》这样的多人游戏中，每个玩家 (智能体) 不仅学习如何最大化他们的分数，还学习如何对抗对手的策略。同样，在自动驾驶汽车必须导航的交通管理系统中，每辆车都充当代理，学习与道路上的其他人安全有效地互动，适应周围车辆的实时行为。
从事该领域工作的开发人员经常使用框架来模拟多代理环境，例如OpenAI的Gym或Unity的ml-agents工具包。这些工具使得更容易实现和比较不同的学习算法，同时允许代理通过迭代播放和反馈来学习。MARL提出了独特的挑战，例如非平稳性，其中代理的环境由于其他代理的行为而不断变化，因此需要强大的学习和协调策略，例如通信协议或共享策略。了解这些动态对于构建有效的多智能体系统至关重要。