合作任务的乐观多智体策略梯度

该研究提出了一种基于乐观策略优化的方法（OPPO），针对奖励稀少的领域，考虑了总收益的不确定性并在此基础上对策略进行乐观评估，优化自主代理的学习效果，在表格任务上取得了优于现有方法的结果。