هدف این پژوهش بهبود استراتژی پاسکاری گروهی از عواملدر یک تیم شبیه‌سازی فوتبال رباتیک است. در واقع پاسکاری را می‌توان به عنوان نماد همکاریبازیکنان در یک تیم فوتبال در نظر گرفت. تیم‌هایی که استراتژی پاسکاری بهتریدارند، بازیکنانشان در حرکت دادن توپ در سطح زمین، حفظ مالکیت توپ و دستیابی به پیروزیموفق‌تر خواهند بود. منظور از استراتژی پاسکاری عوامل این است که هر بازیکن در هرلحظه از بازی تصمیم بگیرد که بهترین عمل برای انجام چه چیزی است و اگر بهترین عملپاس دادن است بهتر است در چه زمانی و به چه بازیکنی پاس داده شود.

در اینپژوهش از روش یادگیری تقویتی چند عاملی عمیق برای حل مسئله استفاده شد. ماهیتمسئله‌ی مطرحشده در این پژوهش یک مسئله‌ی یادگیری تقویتی چند عاملی مشارکتی با سیگنال پاداشمشترک است. این دسته از مسائل اغلب به دلیل داشتن فضای حالت-عمل مشترک بزرگ براییادگیری دشوار هستند. رویکردهای کاملاً متمرکز و غیرمتمرکز، اغلب با مشکلاتیهمچون مقیاس‌پذیری، پاداش‌های جعلی و پدیده‌ی عامل تنبل مواجه هستند. در این پژوهشبرای مقابله با این مشکلات از معماری شبکه تجزیه مقدار استفاده شده است، که تابع مقدارتیمی را به توابع مقدار فردی تجزیه می‌کند و در دسته‌ی رویکردهای آموزش متمرکز واجرای غیرمتمرکز قرار می‌گیرد. در این روش در زمان اجرا هر عامل یادگیری می‌تواندبدون برقراری ارتباط با دیگران و تنها بر اساس مشاهدات فردی خود تصمیم‌گیری کند. نتایجآزمایش‌های انجام شده نشان دهنده‌ی عملکرد مطلوب روش پیشنهادی است.