一种基于多智能体深度强化学习的两阶段激励方法

本发明公开了一种基于多智能体深度强化学习的两阶段激励方法，涉及智能体深度强化学习技术领域，为了解决现有技术中激励方法的过程过于繁琐以及效果不佳的问题。本发明通过特定区域的仿真实验，以出租车为参与者模拟真实感知任务地理分布与轨迹规划，采用深度Q学习、历史参与率优化等对比机制，结合平均参与者效用、平台效用、任务完成率等多维指标，验证方案在动态环境中的适应性，结合不同传感器特性量化成本，使参与者能精准评估自身能耗，在预算约束下最大化平台效用，同时通过预算与任务覆盖的双向制衡，确保任务“最小可行性覆盖”与预算不超支，训练时可观测其他智能体动作以优化协作，执行时仅依赖本地状态，适应多参与者竞争场景。