多智能体强化学习（Multi-Agent Reinforcement Learning，简称 MARL）是强化学习（RL）在多智能体系统（MAS）中的扩展。它让多个智能体（Agents）通过与环境交互、接收奖励反馈，共同学习最优策略，以应对合作、竞争或混合场景下的复杂决策问题。MARL 是工业智能体实现自主协同优化的核心技术之一，尤其适合流程工业控制、动态调度、装配线平衡、能源优化等需要分布式决策的场景。MARL 基本框架与挑战单个 RL 智能体通过 MDP（Markov Decision Process）学习（状态 s → 动作 a → 奖励 r → 新状态）。MARL 扩展为Markov Game或Stochastic Game，多个智能体同时决策，环境动态由所有智能体联合动作决定。核心挑战（比单智能体更复杂）：非平稳性（Non-stationarity）：其他智能体策略在变化，导致环境对单个智能体而言“非平稳”。信用分配（Credit Assignment）：全局奖励如何公平归因到每个智能体。维度灾难（Scalability）：智能体数量增多，状态-动作空间爆炸。部分可观测性（Partial Observability）：每个智能体只能看到局部
多智能体强化学习（Multi-Agent Reinforcement Learning，简称 MARL）是强化学习（RL）在多智能体系统（MAS）中的扩展。它让多个智能体（Agents）通过与环境交互、接收奖励反馈，共同学习最优策略，以应对合作、竞争或混合场景下的复杂决策问题。MARL 是工业智能体实现自主协同优化的核心技术之一，尤其适合流程工业控制、动态调度、装配线平衡、能源优化等需要分布式决策的场景。MARL 基本框架与挑战单个 RL 智能体通过 MDP（Markov Decision Process）学习（状态 s → 动作 a → 奖励 r → 新状态）。MARL 扩展为Markov Game或Stochastic Game，多个智能体同时决策，环境动态由所有智能体联合动作决定。核心挑战（比单智能体更复杂）：非平稳性（Non-stationarity）：其他智能体策略在变化，导致环境对单个智能体而言“非平稳”。信用分配（Credit Assignment）：全局奖励如何公平归因到每个智能体。维度灾难（Scalability）：智能体数量增多，状态-动作空间爆炸。部分可观测性（Partial Observability）：每个智能体只能看到局部
