【论文研读】TheSurprisingEffectivenessofPPOinCooperativeMulti-AgentGames说明：来源：36thConferenceonNeuralInformationProcessingSystems(NeurIPS2022)TrackonDatasetsandBenchmarks.是NIPS文章，质量有保障，放心食用。第5章节，FactorsInfluentialtoPPO’sPerformance，分析了各个参数对于多智能体系统的影响，其分析方法和消融实验的方法是值得学习的。0.摘要PPO属于on-policy的算法，所以被认为它的样本效率比较低

本文主要是结合文章JointOptimizationofHandoverControlandPowerAllocationBasedonMulti-AgentDeepReinforcementLearning对MAPPO算法进行解析。该文章详细地介绍了作者应用MAPPO时如何定义奖励、动作等，目前该文章没有在git-hub开放代码，如果想配合代码学习MAPPO，可以参考MAPPO代码详解（超级详细）或者参考小小何先生原创文章。MAPPO开源代码下载地址：https://github.com/marlbenchmark/on-policy代码配套论文：TheSurprisingEffective

本文主要是结合文章JointOptimizationofHandoverControlandPowerAllocationBasedonMulti-AgentDeepReinforcementLearning对MAPPO算法进行解析。该文章详细地介绍了作者应用MAPPO时如何定义奖励、动作等，目前该文章没有在git-hub开放代码，如果想配合代码学习MAPPO，可以参考MAPPO代码详解（超级详细）或者参考小小何先生原创文章。MAPPO开源代码下载地址：https://github.com/marlbenchmark/on-policy代码配套论文：TheSurprisingEffective