본 논문은 동적 환경에서 비용 최소화 및 성능 제약 조건을 해결하기 위한 다중 에이전트 강화 학습 시스템 MAMO를 소개합니다. MAMO는 보상 가중치 선택 문제를 학습 문제로 분리하여, 주요 목표 최적화와 제약 조건 위반 회피 간의 균형을 자동으로 맞춥니다. 이는 제약 조건 최적화 문제에 대한 보다 자율적이고 강력한 강화 학습 기반 솔루션으로 나아가는 첫걸음입니다.
기존 강화 학습 방식은 보상 가중치를 수동으로 선택해야 했지만, MAMO는 이러한 단점을 극복하고 환경 변화에 더 잘 적응합니다. 다중 에이전트 시스템을 통해 각 에이전트는 특정 목표를 담당하여 전체 시스템의 효율성을 높입니다.
MAMO는 비용과 제약 조건 위반을 단일 스칼라 보상으로 통합하는 라그랑주 형식에 기반하며, 보상 가중치 선택을 학습 문제로 정의하여 자동 균형을 가능하게 합니다.