Performance comparison statistics results with modern MARL baselines (HetNet scenario, n = 10).

Figshare2026-03-06 更新2026-04-28 收录

数据链接：

https://figshare.com/articles/dataset/_p_Performance_comparison_statistics_results_with_modern_MARL_baselines_HetNet_scenario_n_10_p_/31559215 数据链接链接失效反馈

官方服务：

资源简介：

Performance comparison statistics results with modern MARL baselines (HetNet scenario, n = 10).

创建时间：

2026-03-06

InvestESG

气候投资

多智能体强化学习

InvestESG是一个用于研究气候投资作为社会困境的多智能体强化学习基准数据集。该数据集由华盛顿大学的研究人员创建，旨在模拟公司在环境、社会和治理（ESG）披露要求下的气候投资行为。数据集包含公司和投资者两类智能体，通过模拟复杂的交互过程，评估ESG披露政策对公司气候投资的影响。数据集的创建过程结合了PyTorch和JAX框架，支持高效的并行计算。该数据集的应用领域主要集中在气候变化政策的研究和

arXiv2024-11-15 更新1020

Energy Management for Fuel Cell Electric Vehicle Based on Multi-agent Reinforcement Learning

电动汽车能量管理

多智能体强化学习

The coordinated optimization of adaptive cruise control (ACC) and energy management strategy (EMS) is promising for improving the performance of fuel cell electric vehicle (FCEV). This paper proposes

IEEE60

Data_For_A_Scalable_Privacy-Preserving_Multi-agent_Deep_Reinforcement_Learning_Approach_for_Large-ScalePeer-to-Peer_Transactive_Energy _Trading

能源交易

多智能体强化学习

Data_For_A_Scalable_Privacy-Preserving_Multi-agent_Deep_Reinforcement_Learning_Approach_for_Large-ScalePeer-to-Peer_Transactive_Energy _Trading

DataCite Commons2020-12-10 更新40

Battlesnake Challenge Framework

多智能体强化学习

游戏开发

该数据集是基于Battlesnake框架开发的多智能体强化学习框架，它包含了用于训练和评估的模拟健身房环境。此外，该框架还提供了一系列训练示例，并支持在竞争环境中对智能体进行评估。该数据集涵盖了不同规模的智能体数量（4、5和6个）和可变地图大小（7x7、11x11、19x19）。其任务是进行具有人类参与循环的多智能体强化学习。

arXiv100

General sum up of the key results of the study.

金融市场微观结构

多智能体强化学习

Recent advances in the field of machine learning have yielded novel research perspectives in behavioural economics and financial markets microstructure studies. In this paper we study the impact of in

NIAID Data Ecosystem50

Performance comparison statistics results with modern MARL baselines (HetNet scenario, n = 10).

资源简介：

相关数据集