目录

认识模型

参考方案（按模块拆解）

---

认识模型

模型控制1名英雄进行镜像1 v 1对战

Actor集群资源为64核CPU

问题特点：单一公平对抗场景（同英雄镜像对赛），单位时间样本产能低，累计训练资源相对充裕。

中级赛道难点：

1. 训练下RL收敛性保证：在小资源长时间训练的情况下，如何解决样本多样性问题，使训练效果媲美高并发、中等时间训练的效果。

2. 面向赛题英雄定制优化：环境和Baseline均未面向赛题英雄做任何优化。参赛队伍可以研究英雄设计和机制玩法特点，完善特征、规则、动作空间、奖励等相关设计，提升环境状态表征能力，整合已知先验和，降低策略学习难度并提升单英雄能力上限。

3. 单一公平对抗场景下，需要关注并完善更多细节，得到更完备的策略。

此外，参赛队伍可以：

1. 消灭各种bug(如不符合预期的移动/走位

2. 实现支持在线调整或调度的多风格、多样化策略。面向对手行为进行进一步优化，包括建模和预测对手的行为，以便先发制人或极限闪避化解危机。

3. 细化局内不同阶段的奖励方案（如动态权重），课程学习不同阶段的奖励权重（如过程导向或结果导向）

参考方案（按模块拆解）

(CNN+MLP)-LSTM的Encoder-Decoder结构 Multi--Head Value,通过分组改进Value估计效果，降低方差 使用全局Perfect Information铺助Value估计

定制特征：

后置规则（处理模型输出）

具体操作参见"开发指南“

通过开发后置规则，可以支持实现模型输出->动作的二次映射。特定实现下，从RL

Agent视角看，等价于环境的变化。

奖励机制

具体操作参见"开发指南“、“环境介绍“，并建议参考往届各晋级队伍相关设计

可能的优化方向包括：

1. 调整奖励子项权重

   1. 静态权重

   2. 局内动态权重(e.g.奖励局内衰减)

2. 新增奖励项目

对手模型

具体操作参见"开发指南“，并建议参考往届各晋级队伍相关设计

对应位置：actor/actor..py

可能的优化方向包括：

1. 新旧模型比例

2. 对手模型池/League

3. 自定义评估对局

学习策略

课程学习：将复杂、综合的学习目标分解为多阶段、更小规模的学习任务。

通过预训练模型+多阶段训练的方式，分步实现总体学习目标。心

例子：通过局间奖励衰减，实现稠密奖励到稀疏奖励的过渡

训练前期，偏重具体行为相关的稠密奖励，引导智能体学会基本操作

训练中期，增强与对局结果强相关的稠密奖励，引导智能体在单局中建立优势

训练后期，调高稀疏奖励权重，引导智能体直接关注最终胜负

知识蒸馏：强化学习+监督学习联合优化方案

例子：多英雄能力提升问题的内部解法之一

单英雄Teacher训练：强化学习，单英雄镜像自对战

蒸馏（单英雄Teacher->多英雄Student)：在Actor样本中存入Teacher Logits

Learner增加一项监督学习的蒸馏

多英雄Student训练：强化学习，多英雄混合对战

注：可参考原理。受限于资源规模，在比赛中实际复现该做法的投入产出比可能并不突出。

系统优化角度

Learner效率

1. 有效吞吐量

   1. 计算效率 比赛场景下，考虑到单位时间内Actor样本吞吐量远低于Learner,一般不需要进一步提升样本吞吐量

      Graph中尽可能拼Batch计算，提高计算密度，对应底层计算从GEMV(访存密集型)->GEMM（计算密集型）

      采用在GCU上性能更好的算子实现（可结合隧原-开发指南及实际Profiling情况）

   2. 样本池 当前框架版本的MemPool实现并非最优，可能存在一定程度的样本浪费现象 通过改进MemPool数据结构相关实现，改变随机读写方式，可以减少样本被覆盖的情况

2. 样本效率与收敛速度

   强化学习算法优化：其他条件不变，强化学习算法越高效，收敛至同等能力所需时间越短

   1. Dual-Clip PPO / Value Clip 对policy loss进行双重clip,避免advantage取值outlier对收敛稳定性的影响。 类似地，可以对value loss进行clip,避免单步更新幅度过大对value network收敛的影响。

   2. Value Normalization

      

      对于策略梯度方法，伴随着RL过程，value network学习目标的变化可能比较剧烈，影响了value估计的学习效果，进而影响了整体收敛效果与稳定性。实验表明，通过引入Vlue归一化，类PPO算法的样本效率可能获得改善。

   1. PPG算法

      

   1. SAC算法

      

      PPO存在on-policy假设，而分布式强化学习场景下，为了实现更高效的并行计算，在on-policy程度上存在妥协。SAC是一种off-policy的随机策略RL算法，在样本利用方式上和DDPG类似，区别在于其生成stochastic policy,在部分benchmark中表现出优于DDPG的样本效率。

      考虑到更换PPO算法涉及较大的开发和调试工作量，推荐大部分队伍优先考虑在PPO算法基础上的优化，学有余力的队伍可以直接尝试更换算法。

Actor效率

吞吐量优化

1. CPU推理优化：Actor进程运行在CPU多机环境，可以面向CPU平台优化模型计算性能

   1. PyTorch JIT优化

   2. 集成第三方推理框架（例如：onnx-runtime)

改善样本分布

1. 可尝试通过intrinsic reward等方式，减少产生无效/同质化样本，提高样本多样性

2. 可尝试引导生成符合特定条件的样本，比如使样本分布向特定对手模型倾斜

ABSTool工具使用