非平稳性与MARL基础
多智能体强化学习的核心挑战不在于单一代理的复杂度，而在于代理之间动态交互产生的非平稳性。理解这一本质是掌握通信、协作与 CTDE 范式的必经之路。
多智能体强化学习 (MARL)
MARLMulti-Agent Reinforcement Learning，多个学习主体在共享环境中通过奖励机制进行演化的技术框架 是由多个独立的智能体在同一个共享环境中同时学习。这不仅仅是“多个单体强化学习”的简单堆叠，因为代理之间的行为相互耦合。每个代理的目标是最大化自己的累积回报，但在达成目标的过程中，它必须应对其他代理带来的不确定性。
生活类比： 就像一场多人厨艺挑战赛，你不仅要管好自己的灶台火候，还要随时防备队友突然伸过来的铲子，或者由于队友提前用光了食盐而不得不临时调整你的菜谱。
双智能体案例： 两个机器人 A 和 B 在仓库中搬运重物。A 向左走会影响重心的平衡，迫使 B 必须做出相应的姿态补偿。如果 A 改变了搬运节奏，B 之前学到的所有平衡动作可能都会瞬间失效。
部分可观测 (Partial Observability)
在现实的分布式系统中，每个代理通常只能获得部分可观测 (Partial Observability)个体由于感知范围或传感器限制，只能获取全局状态的一个子集信息。这意味着决策必须基于不完整的上下文，代理往往不知道全局状态，甚至不知道队友的具体动作和意图。
生活类比： 想象你在迷雾森林中玩捉迷藏，你只能看清周围五米的景物。虽然你听到了远处的树枝断裂声，但你无法确定那是队友在包抄还是敌人在埋伏。
场景应用： 无人驾驶车队中，当前车因为前方遮挡物突然刹车时，后方车辆无法直接观察到最前方的障碍。如果不通过通信告知，后车只能通过前车的刹车灯这一局部观测来猜测意图。
非平稳性 (Non-stationarity)
非平稳 (Non-stationarity)由于环境中其他学习者策略不断演进，导致个体观测到的环境转换概率和奖励分布随时间发生漂移 是 MARL 训练中最棘手的问题。在单智能体 RL 中，环境是静止的（Stationary）；但在多智能体中，当 Agent A 在学习时，它的行为模式（策略 Policy从观测状态到执行动作的映射规则）在变。对于 Agent B 而言，这种变化导致即便它执行同样的动作，获得的回报 (Reward)环境反馈给个体的数值化评价指标也会随时间漂移。
生活类比： 就像在流沙之上盖房子。你正在努力加固地基，但沙子本身在不断流动。你刚才觉得“牢固”的砖块，一秒钟后就掉进了空隙里。
动态演化： 在足球机器人训练中，前锋 A 学会了从左路突破。防守者 B 察觉后开始重点盯防左路。此时 A 原本高效的“左路突破”动作回报骤减。A 必须抛弃旧策略，转而学习右路突破。这种循环往复的策略漂移让网络极难收敛。
核心结论： 非平稳性是 MARL 一切算法设计的起点。无论是引入中心化评价（Centralized Critic），还是通过显式通信共享观测，其本质都是为了在变动的环境中寻找一份“确定的参考系”。
🧪 自测：你真的理解了吗？
Q1: 为什么传统的单智能体算法（如基础 Q-Learning）直接用于 MARL 往往会失效？
因为环境变得“非平稳”。单智能体算法假设环境的转换概率和奖励分布是静态的（Stationary），但在 MARL 中，其他代理也在学习，这相当于环境的地基在不断晃动。算法无法区分奖励的下降是因为“自己做错了”还是“队友变了”。
Q2: “部分可观测”给代理间的协作带来了什么具体困难？
缺乏全局视野意味着代理无法确定队友的行为是因为“观测到了我没看到的威胁”还是单纯的“随机探索”，这导致难以达成共识，容易出现动作冲突（如两人抢同一颗球）。
Q3: 非平稳性与本笔记重点讨论的“通信”有什么逻辑关联？
通信是缓解非平稳性的直接手段。通过共享观测或意图，代理可以将原本“不可见的环境变量”（即队友的意图）转化为“可见的观测输入”，从而让非平稳的环境在特定视角下变得相对稳定。