【免费下载链接】MAgent2
An engine for high performance multi-agent environments with very large numbers of agents, along with a set of reference environments
🐯 MAgent2 是一款面向大规模多智能体强化学习的高性能网格世界（GridWorld）环境引擎，其内置的Tiger_Deer 环境用 101 只鹿（deer）与 20 只虎（tiger）共121 个智能体，上演一场"围猎 vs 逃生"的持续博弈。本文带你从零看懂这套环境的规则设计、奖励机制与空间结构，理解它为什么是训练协同攻击与逃跑策略的经典基准。
一、Tiger_Deer 环境是什么？
Tiger_Deer 是 MAgent2 提供的六套参考环境之一（源码位于 magent2/environments/tiger_deer/tiger_deer.py），它的核心设定只有一句话：
老虎必须两人同时攻击同一只鹿才能获得奖励，否则只能慢慢"饿死"；鹿则必须躲开老虎的围猎。
这套设定看似简单，却同时逼出两类高阶行为：
| 阵营 | 数量 | 生存压力 | 要学到的能力 |
|---|---|---|---|
| 🐯 虎（tiger） | 20 | 每回合 −0.1 HP，不捕猎会饿死 | 组队、包抄、协同攻击 |
| 🦌 鹿（deer） | 101 | 被攻击 −0.1 HP，阵亡 −1 | 感知威胁、持续逃跑 |
对新手来说，它是"多智能体协作学习"的理想入门场景：规则少、地图小、反馈直接，训练几个小时就能看到智能体自发涌现出包抄战术。
二、地图与规模：map_size 决定了 121 个智能体
智能体数量由map_size（默认45）推导，见源码中的 generate_map：
- 🗺️ 地图为 45×45 的正方形网格，随机放置4% 面积的墙体（wall）作为障碍物
- 🦌 鹿：
45 × 45 × 0.05 ≈ 101个 - 🐯 虎：
45 × 45 × 0.01 ≈ 20个 - ⏱️ 单局最多运行
max_cycles回合（默认 300 步）
调大map_size就能按比例放大博弈规模，这也是 MAgent2"支持海量智能体"这一卖点的直观体现。MAgent2 引擎中其他环境（如 Gather）甚至能容纳2000+ 个智能体同场运算：
三、规则拆解：血量、视野与"双人同帧攻击"
完整规则定义在 get_config 函数中，核心参数一览：
| 属性 | 🦌 鹿 | 🐯 虎 |
|---|---|---|
| 初始 HP | 5 | 10 |
| 每回合回血 | +0.2 | −0.1（tiger_step_recover，即饥饿惩罚） |
| 视野范围 | 1 格 | 4 格 |
| 攻击范围 | 无（不能攻击） | 1 格 |
| 击杀/攻击回报 | 阵亡 −1 HP | 吃到鹿+8 HP |
| 动作空间 | 5 个（原地/四向移动） | 9 个（原地/四向移动/四向攻击） |
三个设计细节是精髓所在：
- 饥饿机制（starvation）：虎每回合固定掉 0.1 HP，只有成功捕猎才能回血 +8。这给协作注入了"时间压力"——散漫的单兵虎必然饿死，团队必须高效运作。
- 协同攻击奖励（cooperative attack reward）：两只虎在同一回合攻击同一只鹿时，各得 0.5 奖励（合计 1 分，源码中做了平分处理）。这是整个环境最关键的信号，它让"靠近同伴、对齐攻击时机"成为唯一正收益路径。
- 视野不对称：虎的视野是鹿的 4 倍。鹿只能在威胁逼近时反应，因此逃跑必须提前、持续，而不是临阵决策——这正适合训练长时程的逃避策略。
四、观察空间：智能体"看到"的世界
每个智能体并非获得全局地图，而是以自身为中心的局部视图，共 5 个基础通道：
obstacle：障碍/地图边界my_team_presence/my_team_hp：友军位置与血量other_team_presence/other_team_hp：敌军位置与血量
视野不同导致视图尺寸不同：鹿为 3×3×5，虎为 9×9×5；全局状态（state）为 45×45×5。开启extra_features=True后还会追加 agent 二进制 ID、动作 one-hot、上一回合奖励等通道，minimap_mode=True则把视图替换为包含全图密度信息的小地图 + 绝对坐标——两者都是研究"信息量如何影响策略"的常用开关。
五、奖励设计如何"教出"协作与逃跑 🎯
把奖励表摊开看，策略的"最优解"就藏在里面：
| 事件 | 奖励 |
|---|---|
| 两只虎同帧攻击同一只鹿 | 虎各 +0.5 |
| 鹿被攻击 | 鹿 −0.1（deer_attacked） |
| 鹿阵亡 | 鹿 −1 |
| 虎存活（隐性） | 避免 −0.1/回合的持续失血 |
- 🐯 对虎而言：单独扑鹿没有直接奖励，与同伴协同是唯一收益来源——强化学习算法会自然收敛到"寻找队友→合围→同步攻击"的策略族。
- 🦌 对鹿而言：被攻击即扣血，而自身又能缓慢回血，因此最优策略是最大化生存时间——远离老虎群、利用墙体走位、避免孤立。
一攻一逃两侧的策略博弈，构成了典型的**多智能体对抗协作（multi-agent cooperative-competitive）**训练场景。
六、快速上手：3 步运行 Tiger_Deer 环境
安装后（pip install magent2）即可使用，环境遵循 PettingZoo API，提供env（并行）、raw_env（AEC）、parallel_env三种入口：
from magent2.environments import tiger_deer_v4 from pettingzoo.utils import random_demo # 并行 API + 人类可视化，随机策略演示 env = tiger_deer_v4.env(render_mode="human") random_demo(env, render=True, episodes=1)常用可调参数（详见文档字符串 tiger_deer.py）：
| 参数 | 默认值 | 作用 |
|---|---|---|
map_size | 45 | 地图边长，≥10，同时决定智能体数量 |
max_cycles | 300 | 单局最大回合数 |
tiger_step_recover | −0.1 | 虎每回合血量变化（饥饿强度） |
deer_attacked | −0.1 | 鹿被攻击的惩罚 |
minimap_mode | False | 启用全局小地图观察 |
extra_features | False | 追加 ID/动作/奖励等特征通道 |
💡 调参建议：调大tiger_step_recover的绝对值可显著放大协作压力，是研究"饥饿感如何塑造协作行为"的杠杆；minimap_mode适合对比"局部感知 vs 全局感知"下的策略差异。更多入门工作流见 docs/introduction/basic_usage.md。
七、源码导读与二次开发思路 🔧
想深入或定制环境，按这条路径阅读代码即可：
- magent2/environments/tiger_deer/tiger_deer.py —— 规则、奖励与地图生成全部在此，约 250 行即可读完
- magent2/environments/magent_env.py —— PettingZoo 并行环境基类，负责观察/奖励空间的封装
- magent2/gridworld.py 与 docs/API/gridworld.md —— 底层 GridWorld 引擎 API，支持自定义智能体类型、范围（
CircleRange）与事件奖励规则 - src/gridworld/ —— C++ 高性能实现（
GridWorld.cc、RewardEngine.cc等），这是 MAgent2 能驱动数百乃至上千智能体实时演化的关键
🛠️ 二次开发思路举例：修改get_config中的view_range、damage、奖励规则（add_reward_rule支持"事件组合"匹配），几分钟内就能孵化出"三虎合围才有奖励""鹿拥有反击能力"等变体，用于研究协作阈值与策略的对应关系。
八、版本历史与延伸阅读
- v0：MAgent2 0.3.0 首次发布，当前主线为
tiger_deer_v4模块（历史版本名tiger_deer_v3仍可通过 magent2/environments/tiger_deer_v4.py 兼容导入）。
小结：Tiger_Deer 用 121 个智能体、十余行奖励规则，构建了一个压力清晰、反馈直接的博弈场——饥饿驱动协作，视野差催生逃跑。它是新手进入大规模多智能体强化学习训练最平滑的起点，也是研究群体智能涌现的高性价比基准。
【免费下载链接】MAgent2
An engine for high performance multi-agent environments with very large numbers of agents, along with a set of reference environments
相关推荐
agno中的智能体协作策略：多智能体决策的策略优化方法
agno中的智能体协作策略：多智能体决策的策略优化方法 在多智能体系统（Multi Agent System, MAS）中，智能体之间的协作与竞争关系直接影响系
人工智能AI AgentAgent 框架多智能体工具调用RAGAgent 记忆Agent 工作流后端InternVL3-1B-Pretrained 训练策略深度解读：SFT、MPO 与 Test-Time Scaling 如何协同
InternVL3 1B Pretrained 训练策略深度解读：SFT、MPO 与 Test Time Scaling 如何协同 InternVL3 1B P
深入 RLlib 多智能体环境（MultiAgentEnv）：从策略映射到回合制博弈的完整实战指南
深入 RLlib 多智能体环境（MultiAgentEnv）：从策略映射到回合制博弈的完整实战指南 导读 多智能体强化学习（MARL）是 RLlib 的核心能力
人工智能分布式训练强化学习任务调度模型推理服务后端
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
