在有了上一节一些有关PPO算法的概念作为基础后，我们就可以正式开始对于MAPPO这一算法的学习。
那么，既然要学习一个算法，就不得不去阅读提出这一算法的论文。那么本篇博客将从MAPPO的论文出发，对MAPPO这一算法进行一定的介绍。
论文的地址在这里：https://arxiv.org/pdf/2103.01955.pdf
同时，作者也在github上公布了源码：https://github.com/marlbenchmark/on-policy
但我个人更推荐这个轻量级的MAPPO，因为它的环境更简单，更容易理解：
https://github.com/tinyzqh/light_mappo
1.MAPPO论文
首先看论文的摘要部分，作者在摘要中说，PPO作为一个常见的在线强化学习算法，在许多任务中都取得了极为优异的表现。但是，当我们面对一个多智能体环境时，在线策略的表现往往不如某些离线策略，造成这种结果的原因很多，首先，就像我们上一节提到的，PPO由于是在线策略，即使是使用了另外一个不同的网络来收集数据，但它的网络依旧是在不断更新的，因此数据利用率较低，尤其是在多智能体环境中；另一方面，PPO的一些调参技巧在多智能体环境中也可能并不适用。
为了解决PPO在多智能体环境中遇到的种种问题，作者在PPO的基础上增加了智能体与智能体之间的信息交互，从而提出了MAPPO这一概念，并且作者还将MAPPO与VQN、QMIX等算法进行了对比（在文章中，作者主要使用了星际争霸、Hanabi-Full、multi-agent particle world environments (MPE)与Google Research Football (GRF)这几个不同的环境，有关这几个环境的简单介绍，可以参考：https://blog.51cto.com/u_15485092/5037000# ），当然，从论文的结果看，不出意外的，MAPPO在这几个测试环境中都取得了较为优异的表现。
值得一提的是，文章中作者并没有对MAPPO的整个结构,包括MAPPO的理论进行过多的介绍，于是我们只能够从代码中获取与MAPPO结构有关的信息，这一块很有可能放到下一节代码梳理中进行详细的说明（如果有下一节的话）
这篇论文的第二个部分就是作者对于MAPPO在上述提到的几个环境下结果的展示，我们这里以SMAC的结果为例：
上面这张表格是几个多智能体算法在SMAC环境中的表现，第一列的Map代表该环境中的地图，每一张地图上的地形、兵种配置各不相同，表格中的数字则代表着该算法在目前这张地图中的胜率，从表格中我们不难看出，如果实验结果正确，那么MAPPO的表现是超过IPPO与QMIX的（这里补充说明一下IPPO，IPPO中的"I"代表着independent，意为多个独立的，无信息交互的PPO智能体，将这几个智能体放在同一个环境中进行实验，并将实验结果汇总，就是IPPO的结果）
此外，我们还留意到，即使是同样使用MAPPO算法，后面也有一个小括号(FP)与(AS)，它代表着信息输入的几种不同的形式，这个会在之后的部分做介绍。
上面是MAPPO与其它算法在SMAC(星际争霸)环境中的表现对比。除了这个环节之外，作者还在其它的环境中进行了测试，这里附上结果，并不对所有的结果进行详细的说明。
Hanabi的实验结果：
GRF的实验结果：
论文的的第三部分，也是最重要的一个部分，在有了这些实验结果后，接下来作者列出了几个会对实验结果产生较大影响的因素，包括值标准化、值函数的输入表示、训练数据的使用、PPO裁剪、Batchsize，在下面一个部分将会对这些因素进行一一介绍。
1.2. 实验影响因素分析
1. 值标准化
由于在训练过程中，目标值是在不断变化的，因此整个值函数的学习过程是不稳定的，为了应对这一点，作者对value进行了移动移动标准化，当计算GAE时，再将value反标准化，作者发现这样就可以提升MAPPO的效果。
2.值函数的输入形式
当我们将信息输入值函数时，首先要解决的一个问题就是：输入什么样的信息。在论文中，作者给出了以下几种信息输入的形式：
我们先假设存在这样一个环境，在这个环境中，我们把智能体分为两队，那么对于每一个智能体而言，就会存在多个“队友”与“对手”，并且每一队智能体都存在着一个“中心”。
那么上图中的第一种输入形式IND，就是所有智能体的信息的concatenate，而上图中的第二种输入形式EP，就是所有队伍中心信息的concatenate，上图中的第三种输入形式AS，就是EP与IND的concatenate，上图中的第四种输入形式FP，就是在AS的基础上去除了一些冗余的信息。
当然，这四种输入形式的表现在实验中自然会有许多区别，作者在实验环境中测试了这几种输入形式，并给出了数值分析结果，由于篇幅限制，这里还请各位读者自行阅读置顶链接中的原论文。但是结果具体如何，还是要依据实际情况做出实践再进行讨论（具体情况具体分析）。
3.训练数据的使用方式
PPO的一个重要机制就是重要性采样，这个重要性采样机制可以使我们重复地利用样本。那么接下来的问题是，我们该如何去使用这些样本。在PPO算法中，我们经常使用的就是将一个很大的batch分为32个，或者64个mini batch，，并且训练数十或者数百个epoch。但是在MAPPO中，作者发现，MAPPO的性能会随着数据重复使用的频率产生明显的下降，因此，作者进行研究时，对简单的任务使用了15个epoch，而较为复杂的任务则进行了10个或5个epoch （这里要注意强化学习中epoch、episode、time_step的区别）
4. PPO Clipping
在上一篇帖子中，我们提到了使用PPO_clipping来防止计算entropy以及重要性时产生过大的波动，作者在论文中也对最优的裁剪率ε进行了研究，并最终将ε设定为0.2。
以上就是MAPPO的作者在其论文中对一些机制进行的讨论，在下一篇博客中，我们将看一看MAPPO的代码，并从代码的角度加深理解。
