无线电工程

训练参数	值
折扣因子λ	0.9
惯性更新率τ	0.01
经验池大小D	30000
批样本数BatchSize	64
仿真时间步长ΔT	0.1
Critic网络学习率α_Q	0.002
Actor网络学习率α_U	0.001
回合数Max-Episode	2000
单回合最大时间步长Max-Step	1500

训练参数	值
折扣因子λ	0.9
惯性更新率τ	0.01
经验池大小D	30000
批样本数BatchSize	64
仿真时间步长ΔT	0.1
Critic网络学习率α_Q	0.002
Actor网络学习率α_U	0.001
回合数Max-Episode	2000
单回合最大时间步长Max-Step	1500

算法	原始AUC	位移后AUC	归一化AUC[0,1]	区间平均回报（0～2 000）
DRA-MADDPG	-26263.3	773736.7	0.967171	-13.1317
MADDPG	-44681.9	755318.1	0.944148	-22.341

算法	原始AUC	位移后AUC	归一化AUC[0,1]	区间平均回报（0～2 000）
DRA-MADDPG	-26263.3	773736.7	0.967171	-13.1317
MADDPG	-44681.9	755318.1	0.944148	-22.341

面向指挥决策的DRA-MADDPG协同控制方法

PDF下载

苑司宇 ¹ , 康国钦 ² , 郑学强 ³ , 周强强 ¹

无线电工程 | 测控遥感与导航定位 2025,55(11): 2218-2226

收起

无线电工程 | 测控遥感与导航定位 2025, 55(11): 2218-2226

面向指挥决策的DRA-MADDPG协同控制方法

全屏

苑司宇¹, 康国钦², 郑学强³, 周强强¹

作者信息

^1.国防科技大学,湖北武汉 430035

^2.信息支援部队工程大学,湖北武汉 430035

^3.陆军工程大学,江苏南京 210001

苑司宇男，（2001—）。主要研究方向：5G及AI技术应用。

康国钦男，（1981—），博士，副教授。主要研究方向：网电安全与电磁频谱管理。

郑学强男，（1981—），博士，副教授。主要研究方向：短波通信、认知无线网络、智能通信。

周强强男，（1987—）。主要研究方向：电磁频谱管理。

DRA-MADDPG Cooperative Control Method for Command Decision-making

Siyu YUAN¹, Guoqin KANG², Xueqiang ZHENG³, Qiangqiang ZHOU¹

Affiliations

^1.National University of Defense Technology, Wuhan 430035, China

^2.Information Support Force Engineering University, Wuhan 430035, China

^3.Army Engineering University of PLA, Nanjing 210001, China

出版时间: 2025-11-05 doi: 10.3969/j.issn.1003-3106.2025.11.009

文章导航

摘要

收起

随着人工智能等技术的发展，多智能体如无人机群等的实际应用领域逐渐广泛。多智能体深度确定性策略（Multi-Agent Deep Deterministic Policy Gradient，MADDPG）算法旨在解决多智能体在协作环境中的协同配合问题，凭借其独特的Actor-Critic架构已成为多智能体领域主流的应用算法之一。针对指挥决策中多智能体协同任务存在的角色分工模糊、信息过载导致的算法策略收敛较慢等问题，提出了一种引入动态角色注意力（Dynamic Role Attention，DRA）机制的改进MADDPG算法——DRA-MADDPG。该算法在Actor-Critic架构中嵌入了DRA模块，通过动态调整智能体对不同角色同伴的关注权重，来实现分工协作的精准优化。具体而言，定义了指挥任务的角色集合与阶段划分，进而构建角色协同矩阵和阶段调整系数；在Critic网络中设计DRA模块，依托角色相关性与任务阶段来计算权重并筛选关键信息；改进了Actor网络，结合角色职责生成针对性的动作。仿真实验表明，与MADDPG相比，DRA-MADDPG的训练累积回报曲线下面积（Area Under the Curve，AUC）提升了2.4%，任务完成耗时降低了19.3%，且通过训练回报曲线对比分析可知，DRA-MADDPG对于短期训练拥有更好的学习效率。证明了该方法适用于复杂指挥决策场景，为多智能体协同提供了一种相对高效的解决方案。

关键词

指挥决策 / 多智能体强化学习 / 多智能体深度确定性策略 / 动态角色注意力 / 协同控制

Abstract

收起

With the development of technologies such as artificial intelligence, multi-agents ( e. g. , unmanned aerial vehicle swarms) have been increasingly applied in practical combat operations. The Multi-Agent Deep Deterministic Policy Gradient (MADDPG) algorithm, designed to solve the coordination problems of multi-agents in cooperative environments, has become one of the mainstream applied algorithms in the multi-agent field owing to its unique Actor-Critic framework. To address the problems in multi-agent collaborative tasks during command and decision-making—including ambiguous role division and slow convergence of the algorithm's policy caused by information overload—an improved MADDPG algorithm incorporating a Dynamic Role Attention(DRA) mechanism, namely DRA-MADDPG, is proposed. This algorithm embeds a DRA module into the Actor-Critic framework, and achieves accurate optimization of division of labor and collaboration by dynamically adjusting the attention weights of each agent towards peers with different roles. Specifically, the role set ( reconnaissance, assault, command) and phase division ( exploration→execution→encirclement) for command tasks are defined, and on this basis, a role coordination matrix and phase adjustment coefficients are constructed. A DRA module is designed in the Critic network to calculate weights and filter key information by leveraging role relevance and task phases. Additionally, the Actor network is improved to generate targeted actions by integrating role responsibilities. Simulation experiments show that compared with MADDPG, the Area Under the Curve (AUC) of the cumulative training reward of DRA-MADDPG increases by 2.4%, and the task completion time decreases by 19.3%. Furthermore, comparative analysis of training reward curves reveals that DRA-MADDPG exhibits better learning efficiency in short-term training. It is demonstrated that this method is suitable for complex command and decision-making scenarios and provides a relatively efficient solution for multi-agent coordination.

Key words

command and decision-making / multi-agent reinforcement learning / MADDPG / DRA / cooperative control

引用本文

苑司宇, 康国钦, 郑学强, 周强强. 面向指挥决策的DRA-MADDPG协同控制方法. 无线电工程, 2025 , 55 (11) : 2218 -2226 . DOI: 10.3969/j.issn.1003-3106.2025.11.009

Siyu YUAN, Guoqin KANG, Xueqiang ZHENG, Qiangqiang ZHOU. DRA-MADDPG Cooperative Control Method for Command Decision-making[J]. Radio Engineering, 2025 , 55 (11) : 2218 -2226 . DOI: 10.3969/j.issn.1003-3106.2025.11.009

正文

收起

0　引言

收起

多智能体强化学习是人工智能领域的重要技术之一,它具有自主学习、分布协调和组织的能力,通过与其他智能体的协作配合,规划自己的行为,改变自己的状态信息,最终高效地完成任务^[1]。目前,在无人机群围捕、多梯队攻防等指挥决策场景中,多智能体强化学习的应用日益广泛,而MADDPG算法凭借其独特的“集中训练、分布执行”框架成为当前研究的热点,国内外不少学者已经针对MADDPG算法存在的收敛慢及信用分配问题提出了改进方法。

邹长杰等^[1]提出了分组学习策略，通过循环神经网络（Recurrent Neural Network，RNN）预测分组矩阵，在组内进行共享经验，同时引入信息微量使其在所有智能体间传递全局信息，相比于MADDPG的训练时间减少了12%～17%；刘峰等^[2]提出了Att-MADDPG方法，通过注意力机制增强智能体之间的相互关注，优化了无人机群围捕控制的性能；Foerster等^[3]提出的COMA算法通过反事实基线和中心评论家模式解决了多智能体信用分配问题，该算法通过反事实基线来评估单个智能体的贡献，同时保持其他智能体的行动不变，显著提高了学习效率；贾思雨等^[4]针对MADDPG的收敛问题，引入了碰撞区域重点训练、经验池分离和优先经验回放机制，使多机器人路径规划任务成功率提升21%～32%；符小卫等^[5]提出的DE-MADDPG算法通过解耦方式设计了全局和局部2种奖励函数，使得无人机在追捕任务中比MADDPG更快地收敛，有效协调了多无人机的协同行为；孙彧等^[6]将现有算法划分为无关联型、通信规则型、互相协作型和建模学习型4类，其中MADDPG因“集中训练、分布执行”框架，被归为互相协作型核心算法，虽能缓解环境非平稳性，但仍存在智能体数量多时收敛慢、信度分配难的共性问题。

现有研究表明,MADDPG及其改进算法在多智能体协同决策中展现出显著优势,但应用于指挥决策领域仍存在一定的局限性：一是对于智能体在执行任务时的角色分工相对模糊；二是对于MADDPG算法在智能体的数量较多时收敛较慢的问题上仍具有可优化空间；三是对于指挥决策任务中从观察到执行的动态阶段变化,智能体策略难以快速适配阶段目标。

针对以上分析,本文提出了一种引入DRA机制的MADDPG改进算法——DRA-MADDPG,旨在让智能体能够更好地适配指挥决策任务的不同阶段变化,为提高多智能体在实际应用中的效能提供解决方案。

1　问题描述

收起

1.1　指挥决策环境建模

1.1.1　任务场景描述

为便于对比DRA-MADDPG算法相较于MADDPG算法更适用于指挥决策类任务,本文以无人机围捕行动为作为任务场景,在二维空间中,部署有初始位置随机的N个围捕无人机U_i（i=1,2,…,N）与1个动态逃逸目标T。假设各个围捕无人机之间可以通过通信网络W实时共享状态,且假设任务环境中不存在电子干扰设备,即通信稳定。任务目标设置为在有限时间t内,围捕无人机会根据角色分工形成以T为中心、半径R的包围圈。包围圈默认为理想状态,即负责实施围捕的无人机均匀分布在包围圈上^[2]。以window=50 km、N=4为例,任务场景如图1所示。

1.1.2　角色与阶段设计

（1）设置角色集合ξ={r₁,r₂,r₃},其中各角色职责分工概括如下：

r₁（探测角色）负责感知目标位置,不断扩大搜索范围；r₂（执行角色）负责快速接近目标,对目标实施包围,不断缩小包围圈；r₃（调度角色）负责整合全局信息,协调DRA变化。此设计是基于文献[7]中通过分层强化学习框架验证了“全局控制+局部执行”的层级逻辑可显著提升异构多智能体的协同效率^[7],为调度角色主导全局、探测/执行角色执行局部任务的分工设计理念提供了理论参考。

（2）设置任务阶段集合ϕ={ϕ₁,ϕ₂,ϕ₃},各个阶段设置如下：ϕ₁（探索阶段）由探测角色主导,自任务开始至目标出现在探测角色探测范围时结束,并转入执行阶段；ϕ₂（执行阶段）由调度角色主导,控制角色之间的协同配合,直至目标与执行角色之间距离处于有效执行距离时结束,并转入包围阶段；ϕ₃（包围阶段）由执行角色主导,实施执行并形成包围圈^[8]。

设计探测、执行、调度3类角色及探索→执行→包围三阶段,是基于指挥决策场景的协同需求。文献[9]指出,多智能体对抗中“奖励稀疏”会导致策略收敛慢,因此通过阶段划分,为不同阶段匹配核心角色并设计针对性奖励,可以有效缓解该问题^[9]。

1.2　数学模型构建

1.2.1　状态与动作空间设置

围捕无人机U_i的状态o_i=[x_i,y_i,v_i,φ_i,r_i,s_i],其中（x_i,y_i）为位置,v_i为围捕无人机飞行速度,φ_i为航向角,r_i∈ξ为角色,s_t∈S为当前阶段；目标T的状态o_T=[x_T,y_T,v_T,φ_T],其中（x_T,y_T）为位置,v_T为逃逸目标速度,φ_T为航向角且服从均匀分布；无人机的控制输入u_i∈[-ω₀,ω₀]（ω₀=0.5 rad/s为无人机的最大角速度）,其决定了无人机的航向调整

。

1.2.2　无人机运动学方程

围捕无人机的运动学方程为：

式中：u_i为围捕无人机的角速度的大小,v_i为围捕无人机的速度大小,是一个固定的值,即在飞行过程中不改变。此外,文献[13]基于阿波罗奥尼斯圆（Apollonius Circle）和几何规律研究了多追捕者-单逃跑者追逃问题能够成功实现捕获目标的约束条件为速度比λ≥sin（π/N）,因此本文同文献[5]设置围捕无人机速度v_i与逃逸目标速度v_T的速度比为λ∈[sin（π/N）,1）^[5,13]。

1.2.3　任务目标函数

任务目标为最小化包围完成的时间t,为实现任务目标需要同时满足以下2个条件：

① 围捕无人机构成的包围圈的紧凑度：max_i‖（x_i, y_i）-（x_T,y_T）‖≤R；

② 特定角色需要满足的协同约束：探测角色有效捕捉到目标的距离为d_i≤3R；执行角色的有效执行距离为d_i≤1.5R。

2　DRA-MADDPG算法设计

收起

2.1　多智能体强化学习算法

多智能体强化学习是一种研究多个智能体在共享环境中通过交互及协作（或竞争）来优化各自策略,从而实现各自或全局目标的强化学习^[13]。多智能体强化学习的数学框架是基于马尔可夫博弈（Markov Game）,是基于马尔可夫决策过程（Markov Decision Process,MDP）的扩展。一般在包含N个智能体的系统中将马尔可夫博弈定义为元组形式^[14]：

式中：S表示环境的状态空间,A_i表示第i个智能体的动作空间,r_i：S×A₁×A₂×…×A_N→

表示第i个智能体的即时奖励,此奖励取决于所有智能体的动作；P：S×A₁×A₂×…×A_N→S表示状态转移的概率,下一状态由当前状态和所有智能体的动作决定；γ∈[0, 1）表示折扣因子,即未来奖励的权重。

在马尔可夫博弈中,每个智能体所能获得的奖励即个体Q值函数

是在联合策略

下,所有智能体在状态s采取联合动作（a₁,a₂,…,a_N）后,智能体i所能够获得的累积折扣奖励期望。个体Q值函数的贝尔曼更新方程如下：

式中：a=（a₁,a₂,…,a_N）表示所有智能体的联合动作,r_i（s,a）为智能体i在状态s和联合动作a下获得的即时奖励,P（s′|s,a）表示在联合动作a的作用下从状态s转移到状态s′的概率,a′为下一时刻的联合动作。

通常多智能体强化学习需要完成的任务类型,可分为完全合作、完全竞争和混合类型^[15]。而在指挥决策场景中则通常表现为完全合作模式,如本文的无人机围捕任务,即所有智能体都需要围绕统一目标,通过角色分工与信息交互从而实现全局最优。

2.2　MADDPG算法

MADDPG算法是一种基于深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）算法扩展得到的多智能体强化学习算法^[16]。MADDPG算法采用的是Actor-Critic框架,对多智能体主要采用集中式训练,分布式执行,如图2所示^[16]。

Actor网络使用局部观测信息,而Critic网络则整合全局信息进行学习^[17]。Actor网络更新策略为μ_θ函数,agent_i通过确定性行为策略μ_θ进行行为选择：

式中：O_i表示agent_i的观测值,包括自己状态和其他智能体的状态。Critic网络的优化通过最小化Critic网络的损失函数L（θ_i）来进行价值评估^[15]：

式中：每次agent_i根据自己的观测值和其他所有智能体的行为计算目标函数y的值。Critic扩展为可以利用其他智能体的策略进行学习,这点的进一步改进就是每个智能体对其他智能体的策略进行一个函数逼近^[18]。

2.3　DRA-MADDPG算法

DRA-MADDPG算法是在MADDPG算法的基础上引入DRA模块进行改进的算法,目的是使Critic和Actor网络能够根据智能体的角色及任务阶段,调整对不同智能体的信息的关注权重。改进后的算法框架如图3所示,DRA-MADDPG算法与MADDPG算法的关键差异在于：

① 在Critic网络的输入中增加了“角色-阶段注意力分布c_i”，从而实现对关键角色状态和动作的加权。

② 在Actor网络的输入中引入了自身角色及阶段信息,以确保生成的动作能够符合角色职责。

③ 在策略梯度中增加与角色注意力相关的优化项,进一步强化角色协同。

DRA模块的创新点在于“角色-阶段2个维度的动态调整”，文献[19]虽然在MADDPG的Acror-Critic网络中引入了自注意力，但其仅是基于智能体之间的距离计算来固定权重。

2.3.1　角色协同矩阵与阶段系数设计

根据第2.1.2所定义的角色集合ξ={r₁,r₂,r₃}及职责分工形成角色协同矩阵C∈

^3×3,用以量化不同角色之间的协同强度,本文采用先验知识及逻辑初始化协同矩阵中各个元素值。

矩阵中C[r_i,r_j]越大,表明角色r_i与角色r_j之间的协同强度越大。

依据2.1.2的任务阶段划分ϕ={ϕ₁,ϕ₂,ϕ₃}及任务阶段的核心目标与角色职责的匹配关系,量化阶段调整系数α（ϕ_t,r_j）,让DRA机制更贴合不同阶段的任务重点,其根本作用是根据当前阶段放大关键角色的权重。

2.3.2　计算DRA权重

现给出基于DRA机制的注意力分布的计算过程：

① 通过角色协同矩阵C及阶段系数α（ϕ_t，r_j）计算出围捕无人机之间的角色-阶段相关性系数Sim_i，_j，Sim_i，_j=C[r_i，r_j]·α（ϕ_t，r_j）是角色固有的价值与阶段的临时需求的乘积，这与强化学习的“状态-动作-奖励”的逻辑一致，其中C[r_i，r_j]表示角色r_i对r_j的长期依赖，α（ϕ_t，r_j）表示角色r_j在当前阶段ϕ_t的短期重要性。

② 引入softmax函数对角色-阶段相关性系数进行归一化处理,得到注意力权重系数ω_i,_j。其表示智能体i对智能体j的注意力权重,权重越高,表明j的信息对i的决策越重要。

③ 根据注意力权重系数对所有围捕无人机的状态/动作进行加权求和,计算注意力分布c_i：

式中：p_j=[x_j,y_j,v_j,φ_j,a_j]为智能体j的状态及动作信息。

2.4　DRA-MADDPG网络结构优化

2.4.1　Critic网络优化

DRA-MADDPG算法为了实现对角色相关信息的侧重,其Critic网络在MADDPG的基础上引入了动态角色的注意力分布c_i,其Critic网络的输入为（s,a,c_i）,输出加权后的动作价值为

：

因为角色在不同阶段的价值不同,角色与角色之间的协同比重不同,所以这并非是单一智能体行动的结果,由此可知Critic网络拟合的是全局值函数,故s为全局状态,a为联合动作,c_i为注意力分布。策略通过MADDPG双网络进行更新,Critic网络的损失函数L_DRA（θ_i）以及目标值函数

设置如下：

式中：θ_i表示网络参数（权重和偏置）。如此设置是因为目标Actor在生成动作时需要考虑角色r_j和阶段

,才能够确保下一个状态的价值评估仍然受到角色的引导。

2.4.2　Actor网络优化

DRA-MADDPG算法的Actor网络输入增加了角色r_i、阶段ϕ_t及注意力分布c_i,输出动作a_i=π_i（o_i, r_i,ϕ_t,c_i；θ_i）。其策略梯度在MADDPG的基础上,增加与角色注意力相关的梯度项：

式中：MADDPG的基础部分用于保证单智能体的基本策略学习,DRA部分则是为了强化多个智能体之间为满足角色和阶段需求而进行协同优化的能力。

是Actor网络参数在DRA条件下对动作的梯度,表示参数如何变化能使得动作更加符合当前角色的职责以及阶段需求；

（s, a,c_i；θ_i）是Critic网络在引入注意力分布c_i后的动作梯度,表示当前动作在协同场景下的价值。

DRA-MADDPG算法的伪代码如算法1所示。

3　仿真实验

收起

为验证DRA-MADDPG算法的有效性,选取4架不同角色且初始位置随机的围捕无人机对单一目标进行围捕的仿真实验,并对比MADDPG算法进行训练,测试相关性能指标。仿真环境是基于Python语言编写,调试软件为PyCharm 2024.3.1.1,深度学习环境采用PyTorch 2.8.0+cu126,计算机配置为CPU 11th Gen Intel（R）Core（TM）i5-11400H, GPU NVIDIA GeForce RTX 3050,内存16 GB,CUDA 12.7。

3.1　实验设置

（1）　环境与角色配置

围捕无人机及逃逸目标的初始位置随机部署在二维矩形区域：window=50 km。围捕方部署了4架无人机N=4,分为1架探测角色、2架执行角色、1架调度角色,且飞行速度固定。围捕无人机速度为

,探测无人机r₁角色的有效探测半径为3R；执行无人机r₂角色的有效执行距离为1.5R；目标无人机速度v_e为固定值。速度比

均满足λ∈[sin（π/N）,1）,且

,捕获条件设置为形成包围圈且持续时间超过10 s。实验设定的训练参数如表1所示^[6]。

其中,惯性更新率τ的选取遵循DDPG类算法的通用设置（τ取0.001～0.01）以确保目标网络稳定性；经验池大小D=30000相较于GAED-MADDPG^[1]（D=25000）更大是由于DRA-MADDPG需要存储“角色+阶段”的额外信息,需要更大的样本池覆盖所有角色-阶段组合；Critic/Actor网络的学习率设置参考了文献[17]中MADDPG的经典参数,使Actor学习率略低,确保策略更新稳定；Critic学习率略高,加速价值评估的收敛。

（2）　奖励函数设计

全局奖励r_g：

公式分为两部分,分别是锁定目标奖励r_t以及形成包围圈奖励r_c,其中d_i指围捕无人机与c目标之间的距离（i=1,2,…,N）,η=0.005,β=0.01,且加权系数ω_t和ω_c满足ω_t+ω_c=1。另外示性函数δ_gap形式如下：

局部奖励r_l：

公式分为三部分,分别为角色奖励、避碰奖励以及阶段引导奖励,其中加权系数α₁、α₂、α₃满足α₁+α₂+ α₃=1,d_s为围捕无人机之间的安全距离。另外角色奖励r_Role设置如下：

式中：

（i=1,2,3,…,N）。

3.2　训练过程与稳定性分析

MADDPG算法及DRA-MADDPG算法的训练过程如图4、图5所示,可以直观地看到训练效果。

由图4可知,MADDPG在约500回合近似收敛并趋于稳定,整体训练曲线比较流畅；由图5可知, DRA-MADDPG算法在220～375回合虽然因为探索噪声及目标网络更新延迟而出现短暂震荡,但并未导致长期性能骤降或无法收敛的情况,其震荡后能快速恢复并在520回合近似收敛,表明算法对训练过程中的固有扰动具有良好的适应与恢复能力,而非仅在理想无波动训练环境下有效。

经过图4和图5的直观对比,可以看出二者在长期稳态回报上接近,但DRA-MADDPG更早进入稳态区间：在Reward=-25时,DRA-MADDPG仅需约200回合,而MADDPG需要约250回合,表明DRA-MADDPG算法的学习速度更快。DRA-MADDPG的训练累计回报AUC高于MADDPG,表明其拥有出更出色的任务完成效率。AUC对比数据如表2所示。

3.3　动态协同围捕任务仿真验证

图6为在DRA-MADDPG算法达到稳态性能后抽取了一个样本的动态协同围捕轨迹图,可以看到围捕无人机并没有达到理想包围圈（即围捕无人机平均分布在包围圈上）,这可能是由于实验设计的围捕无人机数量偏少,且围捕无人机的初始位置设置的是随机分布（为了模拟无人机空中警戒巡逻的位置随机性）,从而导致包围圈形成的不够理想,但可以看出训练基本上达到了预期目标,围捕无人机能够对动态目标进行围捕。本实验与现有相关研究（如文献[2,5]）等的不同之处在于,本实验所设置的逃逸目标并非单纯的匀速直线或按照既定策略进行逃逸,而是将逃逸目标设计为不固定运动方向,不固定运动速度的复杂情况,更加贴合实战。

图7为MADDPG与DRA-MADDPG算法的任务完成度对比,能够直观反映每一回合的任务完成度,可以看出DRA-MADDPG算法在前期表现更优,但在中期出现震荡,因此中期的完成度低于MADDPG,最终2种算法都达到近似稳态性能,都能够在实验条件下成功完成无人机围捕任务。

图8是当2种算法收敛后,随机抽样一次任务成功的样本在任务各个阶段耗时对比。可以看出, DRA-MADDPG算法在无人机围捕任务耗时相较于MADDPG算法,探索阶段降低了21.5%,包围阶段降低了22.1%,围捕阶段降低了15.8%,总时间消耗降低了19.3%,未出现因阶段切换导致的协同中断或效率骤降。表明其在阶段目标变化的场景下,能够快速适配协同策略,任务执行鲁棒性更优且在无人机动态协同围捕行动中使用DRA-MADDPG算法能够更快地实现任务目标,这在指挥决策任务场景中至关重要。

4　结论

收起

通过无人机动态协同围捕仿真实验验证了DRA-MADDPG算法的相关性能,经过对实验结果的综合分析,本文认为在MADDPG算法的基础上引入DRA机制能够更好地贴合指挥决策过程,可以解决不同角色多智能体的协同、阶段目标的灵活转换以及MADDPG算法易信息过载的问题。具体结论如下：

① DRA-MADDPG算法较MADDPG算法在训练前期收敛速度更快且任务完成度更高,能够更早地进入稳态区间。

② DRA-MADDPG算法较MADDPG算法训练累计回报AUC提升了2.4%,略高于MADDPG,表明其拥有出更出色的综合性能。

③ DRA-MADDPG算法在无人机围捕任务的耗时相较于MADDPG算法降低了19.3%,表明在无人机围捕行动中使用DRA-MADDPG算法能够更快地实现任务目标。

在下一步工作中,可以考虑进一步优化DRA-MADDPG算法,提高其复杂环境的适用度,将其拓展至三维领域或其他基于角色-阶段划分智能体的指挥活动中,用以提升指挥效能及任务完成效果。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

邹长杰,郑皎凌,张中雷.基于GAED-MADDPG多智能体强化学习的协作策略研究[J].计算机应用研究, 2020,37(12):3656-3661.

[2]

刘峰,魏瑞轩,丁超,等.面向多机协同的Att-MADDPG围捕控制方法设计[J].空军工程大学学报(自然科学版),2021,22(3):9-14.

[3]

FOERSTER

J N

, FARQUHAR

, AFOURAS

, et al. Counterfactual Multi-agent Policy Gradients[C]// Proceedings of the AAAI Conference on Artificial Intelligence. New Orleans: AAAI Press,2018:2974-2982.

[4]

贾思雨,毕凌滔,曹扬,等.基于改进MADDPG的多机器人路径规划方法研究[J].计算机仿真,2024,41(8): 458-465.

[5]

符小卫,王辉,徐哲.基于DE-MADDPG的多无人机协同追捕策略[J].航空学报,2022,43(5):530-543.

[6]

孙彧,曹雷,陈希亮,等.多智能体深度强化学习研究综述[J].计算机工程与应用,2020,56(5):13-24.

[7]

畅鑫,李艳斌,刘东辉.基于分层强化学习的多智能体博弈策略生成方法[J].无线电工程,2024,54(6):1361-1367.

[8]

张建东,王鼎涵,杨啟明,等.基于分层强化学习的无人机空战多维决策[J].兵工学报,2023,44(6):1547-1563.

[9]

刘东辉,郑赢营,畅鑫,等.基于静态博弈和遗传算法的多智能体博弈策略生成方法[J].无线电工程, 2024,54(6):1355-1360.

[10]

李波,越凯强,甘志刚,等.基于MADDPG的多无人机协同任务决策[J].宇航学报,2021,42(6):757-765.

[11]

孙懿豪,闫超,相晓嘉,等.基于分层强化学习的多无人机协同围捕方法[J].控制理论与应用,2025,42(1):96-108.

[12]

轩书哲,柯良军.基于多智能体强化学习的无人机集群攻防对抗策略研究[J].无线电工程,2021,51(5):360-366.

[13]

周浦城,洪炳镕,王月海.动态环境下多机器人合作追捕研究[J].机器人,2005(4):289-295.

[14]

李茹杨,彭慧民,李仁刚,等.强化学习算法与应用综述[J].计算机系统应用,2020,29(12):13-25.

[15]

高阳,陈世福,陆鑫.强化学习研究综述[J].自动化学报,2004,30(1):86-100.

[16]

LOWE

, WU

, TAMAR

, et al. Multi-agent Actor-Critic for Mixed Cooperative-Competitive Environments[C]// Advances in Neural Information Processing Systems. Long Beach:[s. n.],2017:6379-6390.

[17]

杜威,丁世飞.多智能体强化学习综述[J].计算机科学,2019,46(8):1-8.

[18]

梁宸.基于强化学习的多智能体协作策略研究[D].沈阳:沈阳理工大学,2020.

[19]

殷宇维,王凡,丁录顺,等.基于MADDPG的多无人战车协同突防决策方法研究[J].指挥控制与仿真, 2025,47(3):40-49.

2025年第55卷第11期

PDF下载

152

引用本文

BibTeX

文章信息

doi: 10.3969/j.issn.1003-3106.2025.11.009

接收时间：2025-08-27
首发时间：2026-04-17
出版时间：2025-11-05

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-08-27

基金

作者信息

^1.国防科技大学,湖北武汉 430035

^2.信息支援部队工程大学,湖北武汉 430035

^3.陆军工程大学,江苏南京 210001

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/wxdgc/CN/10.3969/j.issn.1003-3106.2025.11.009

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

训练参数	值
折扣因子λ	0.9
惯性更新率τ	0.01
经验池大小D	30000
批样本数BatchSize	64
仿真时间步长ΔT	0.1
Critic网络学习率α_Q	0.002
Actor网络学习率α_U	0.001
回合数Max-Episode	2000
单回合最大时间步长Max-Step	1500

训练参数

值

折扣因子λ

0.9

惯性更新率τ

0.01

经验池大小D

30000

批样本数BatchSize

仿真时间步长ΔT

0.1

Critic网络学习率α_Q

0.002

Actor网络学习率α_U

0.001

回合数Max-Episode

2000

单回合最大时间步长Max-Step

1500

算法	原始AUC	位移后AUC	归一化AUC[0,1]	区间平均回报（0～2 000）
DRA-MADDPG	-26263.3	773736.7	0.967171	-13.1317
MADDPG	-44681.9	755318.1	0.944148	-22.341

算法

原始AUC

位移后AUC

归一化AUC[0,1]

区间平均回报（0～2 000）

DRA-MADDPG

-26263.3

773736.7

0.967171

-13.1317

MADDPG

-44681.9

755318.1

0.944148

-22.341