معرفی شرکت ها
abmarl-0.2.5
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
Agent Based Simulation and MultiAgent Reinforcement Learning
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | abmarl-0.2.5 |
| نام | abmarl |
| نسخه کتابخانه | 0.2.5 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Edward Rusu |
| ایمیل نویسنده | rusu1@llnl.gov |
| آدرس صفحه اصلی | https://github.com/llnl/abmarl |
| آدرس اینترنتی | https://pypi.org/project/abmarl/ |
| مجوز | BSD 3 |
# Abmarl
Abmarl is a package for developing Agent-Based Simulations and training them with
MultiAgent Reinforcement Learning (MARL). We provide an intuitive command line
interface for engaging with the full workflow of MARL experimentation: training,
visualizing, and analyzing agent behavior. We define an Agent-Based Simulation
Interface and Simulation Manager, which control which agents interact with the
simulation at each step. We support integration with popular reinforcement learning
simulation interfaces, including gym.Env, MultiAgentEnv, and OpenSpiel. We define
our own GridWorld Simulation Framework for creating custom grid-based Agent Based
Simulations.
Abmarl leverages RLlib’s framework for reinforcement learning and extends it to
more easily support custom simulations, algorithms, and policies. We enable researchers to rapidly
prototype MARL experiments and simulation design and lower the barrier for pre-existing
projects to prototype RL as a potential solution.
<p align="center">
<img src="https://github.com/LLNL/Abmarl/actions/workflows/build-and-test.yml/badge.svg" alt="Build and Test Badge" />
<img src="https://github.com/LLNL/Abmarl/actions/workflows/build-docs.yml/badge.svg" alt="Sphinx docs Badge" />
<img src="https://github.com/LLNL/Abmarl/actions/workflows/lint.yml/badge.svg" alt="Lint Badge" />
</p>
## Quickstart
To use Abmarl, install via pip: `pip install abmarl`
To develop Abmarl, clone the repository and install via pip's development mode.
Note: Abmarl requires `python3.7` or `python3.8`.
```
git clone git@github.com:LLNL/Abmarl.git
cd abmarl
pip install -r requirements.txt
pip install -e . --no-deps
```
Train agents in a multicorridor simulation:
```
abmarl train examples/multi_corridor_example.py
```
Visualize trained behavior:
```
abmarl visualize ~/abmarl_results/MultiCorridor-2020-08-25_09-30/ -n 5 --record
```
Note: If you install with `conda,` then you must also include `ffmpeg` in your
virtual environment.
## Documentation
You can find the latest Abmarl documentation on
[our ReadTheDocs page](https://abmarl.readthedocs.io/en/latest/index.html).
[](https://abmarl.readthedocs.io/en/latest/?badge=latest)
## Community
### Citation
[](https://doi.org/10.21105/joss.03424)
Abmarl has been published to the Journal of Open Source Software (JOSS). It can
be cited using the following bibtex entry:
```
@article{Rusu2021,
doi = {10.21105/joss.03424},
url = {https://doi.org/10.21105/joss.03424},
year = {2021},
publisher = {The Open Journal},
volume = {6},
number = {64},
pages = {3424},
author = {Edward Rusu and Ruben Glatt},
title = {Abmarl: Connecting Agent-Based Simulations with Multi-Agent Reinforcement Learning},
journal = {Journal of Open Source Software}
}
```
### Reporting Issues
Please use our issue tracker to report any bugs or submit feature requests. Great
bug reports tend to have:
- A quick summary and/or background
- Steps to reproduce, sample code is best.
- What you expected would happen
- What actually happens
### Contributing
Please submit contributions via pull requests from a forked repository. Find out
more about this process [here](https://guides.github.com/introduction/flow/index.html).
All contributions are under the BSD 3 License that covers the project.
## Release
LLNL-CODE-815883
نیازمندی
| مقدار | نام |
|---|---|
| <5.0 | importlib-metadata |
| - | tensorflow |
| <0.22 | gym |
| ==2.0.0 | ray[rllib] |
| - | open-spiel |
| - | matplotlib |
| - | seaborn |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.7, <3.9 | Python |
نحوه نصب
نصب پکیج whl abmarl-0.2.5:
pip install abmarl-0.2.5.whl
نصب پکیج tar.gz abmarl-0.2.5:
pip install abmarl-0.2.5.tar.gz