实现新的强化学习算法

[StepNeverStop]

• MARL:

  • [x] MADDPG
  • [x] MASAC 1346949
  • [x] IQL
  • [x] VDN
  • [x] Q-MIX
  • [x] Qatten ad8be31
  • [ ] MAPPO
  • [ ] COMA
  • [ ] QTRAN-alt
  • [x] QTRAN-base 4c45ba0
  • [x] QPLEX 92d4b9a

• SARL:

  • Model-free
    • [ ] CEM
    • [x] TRPO 67b8979
    • [x] NPG 71115ea
    • [ ] FQF
  • Model-based:
    • [x] Dreamer b7d88a1
    • [x] MVE 14c9bfc
    • [ ] STEVE
    • [ ] MBPO
    • [x] PlaNet 7965bcf
    • [x] DreamerV2 7f988d4
  • Offline:
    • [ ] BC
    • [x] CQL 026ba1d
    • [x] BCQ d60741c
    • [ ] AWR
    • [ ] BRAC

[StepNeverStop]

• [ ] 优化MARL中的训练部分，避免繁多的键值索引