多智能体强化学习是强化学习的一个子领域,由于其更加贴近真实世界,因此获得了广泛的关注。但是由于多智能体系统的运行逻辑更加复杂,相对于单智能体场景,很多问题在多智能体场景中更加难以解决,比如探索与利用的平衡问题。探索与利用的平衡问题在单智能体场景中已经涌现出了很多优秀的工作,但是在多智能体场景中却还未被深入研究,且目前已有的工作大多数都不具备良好的扩展性。此外,虽然多智能体强化学习的研究热度日益增长,但是其对应的算法库数量较少,且主流的算法库封装复杂、调用困难、提供的算法数量不够多,目前缺少一个调用方式简单、算法种类丰富的多智能体强化学习算法库供研究、开发人员使用。除了算法库以外,多智能体强化学习目前还面临着落地难的问题,不同任务的训练都需要用户从代码的层面将算法与任务进行对接,无法直接使用算法进行训练,这需要用户对多智能体强化学习算法有一定的了解。因此,本文首先对多智能体强化学习中的探索算法进行了研究,提出了一种基于好奇心与情景记忆的多智能体强化学习探索算法EMC,该算法中的好奇心模块负责指导智能体进行深入的协同探索,情景记忆模块负责将智能体探索到的经验进行高效利用,两个模块的结合使得EMC在网格世界实验与星际争霸实验中的效果优于当前的多智能体强化学习算法。在提出EMC之后,本文基于EMC及其它算法,提出了一套多智能体强化学习算法库MAA,并对其结构及运行流程进行了详细介绍。MAA包含多种多智能体强化学习基础训练算法、网络结构以及探索算法,其代码结构简洁且可读性强,研究、开发人员通过简单的指令即可进行调用与参数配置,即使用户需要修改内部代码也不会面对封装复杂等问题,其简洁的代码结构会极大程度减小用户修改内部代码的难度。最后基于MAA,本文提出了一套基于多智能体强化学习的博弈决策系统,并对该系统进行了详细的分析与设计。该系统致力于降低普通用户使用多智能体强化学习算法的门槛,让用户对于不同的任务,经过简单的操作即可调用多智能体强化学习算法进行训练,且在训练结束之后为用户提供模型评估、策略解释功能,从而辅助用户选择最优模型并且对智能体策略进行深入理解。