多智能体强化学习（Multi-Agent Reinforcement Learning, MARL） 是强化学习的一个重要分支，研究多个智能体在共享环境中如何通过感知、决策与交互，共同或竞争性地完成任务。随着人工智能向复杂系统（如交通调度、机器人协作、无人集群、电子竞技等）拓展，单智能体模型已难以满足需求，MARL 成为解决协同与博弈问题的核心技术。
在 MARL 中，每个智能体都有自己的状态、动作和策略，可能拥有局部或全局奖励信号。它们通过与环境及其他智能体互动来学习最优行为策略。根据目标关系，多智能体任务可分为三类：完全协作型（所有智能体共用一个目标）、完全竞争型（如对抗游戏）和混合利弊型（既有合作也有竞争，如谈判、市场竞价）。
一个典型的 MARL 框架包含多个智能体 A 1 ,A 2 ,...,A n ，共享环境状态 s 或各自观测 o i，采取动作a i，获得个体或团队奖励 r i。其核心挑战在于：环境对单个智能体而言是“非平稳”的——因为其他智能体也在不断学习和变化，导致传统 RL 的收敛性假设失效。
为应对这一问题，研究者提出了多种架构与算法。早期方法如 Independent Q-Learning (IQL) 将每个智能体视为独立的RL问题处理，虽简单但忽略了智能体间的相互影响。随后发展的 MADDPG（Multi-Agent DDPG）引入集中式训练-分布式执行（CTDE）思想：训练时利用全局信息进行策略优化，执行时仅依赖本地观测，有效提升了学习稳定性。针对值函数分解问题，QMIX 算法提出单调性约束，将团队总Q值分解为各智能体Q值的非线性组合，适用于协作任务。此外，MAPPO（Multi-Agent PPO）结合了PPO的稳定性和CTDE框架，在复杂环境中表现优异。
MARL 的应用场景广泛。在机器人领域，多个机械臂需协同搬运物体；在智能交通系统中，车辆通过V2X通信协调路径以减少拥堵；在无人机编队中，实现自主避障与队形保持；在电子游戏AI中，如《Dota 2》和《星际争霸II》，OpenAI Five 和 AlphaStar 展现了高水平的团队配合能力；在电力调度与边缘计算中，MARL 可用于资源分配与负载均衡。
然而，MARL 仍面临诸多挑战。首先是维度灾难：随着智能体数量增加，联合状态和动作空间呈指数增长，带来巨大计算负担。其次是信用分配问题：在团队奖励下，如何确定每个智能体的贡献？这直接影响策略更新的有效性。第三是通信机制设计：智能体是否应显式交换信息？如何在保证效率的同时避免信息过载？近年来，一些工作尝试通过注意力机制或图神经网络建模智能体间关系，提升协作效率。
未来发展方向包括：结合大语言模型实现高层指令理解与自然语言通信；发展分层MARL，实现宏观策略与微观控制分离；引入因果推理增强对他人意图的预测能力；探索基于涌现行为的自组织系统。
总之，多智能体强化学习不仅是技术延伸，更是迈向群体智能和通用人工智能的关键一步。它让AI从“单一角色”进化为“社会成员”，具备协作、竞争与适应复杂动态环境的能力。随着算法进步与硬件发展，MARL 将在智慧城市、自主系统、元宇宙等前沿领域发挥越来越重要的作用。
