迁移学习在多智能体强化学习领域的应用综述
本文主要对A Survey on Transfer Learning for Multiagent Reinforcement Learning Systems中的内容进行翻译，重组和摘要。预计两周的时间内完成。
背景
多智能体强化学习算法致力于解决，在环境中，智能体需要和其他智能体协作等复杂问题。因为强化学习算法取样的复杂度相当高，因此从零开始，去训练一个复杂的多智能体系统是十分消耗计算资源的，甚至是不可能完成的任务。迁移学习，为我们提供了可以从过往经验，或者其他智能体中学习知识的方法。在这篇综述中，我们论述了在多智能体知识重利用，以及跨智能体的知识重利用中最新的进展。
相关研究
这张图形象说明了本文的研究内容，即强化学习，迁移学习和多智能体学习的交叉处。
接下来我们先分别介绍这几个概念
强化学习：
1. 单智能体的强化学习：强化学习是解决马尔可夫过程问题的一种解法，具体它对问题的一些基本定义，解法，在这里就不再赘述，可以看这位大佬的系列文章，讲的真的很全了。
2. 多智能体的强化学习：参见原文的论述，在基本定义上，是和单智能体类似的，但是整个搜索空间是由所有智能体共同决定的。
未完待续