# mavac-lite

**Repository Path**: fzzf7478/mavac-lite

## Basic Information

- **Project Name**: mavac-lite
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-02-18
- **Last Updated**: 2026-02-20

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# MAPPO多智能体交通信号控制研究项目

## 项目概述

本项目基于MAPPO(Multi-Agent Proximal Policy Optimization)算法，针对7路口多智能体交通信号控制任务进行研究。项目包含MAVACLite轻量级SOTA模型的开发和多种实验对比，集成了历史AutoDL训练成果与最新的四方对比验证。

## 研究历程

### 🏆 历史成果 (2026年2月18日)
**AutoDL远程训练环境 - 11+小时超长训练**

#### 三个最优模型性能对比
1. **Baseline V2**: -100.020 (性能冠军)
2. **MAVACLite**: -100.188 (轻量化之王) 
3. **MAPPO-LCE**: -103.235 (约束优化参考)

### � 最新成果 (2026年2月20日)
**四方对比实验验证**

#### 当前实验 vs 历史基准
- **MAVACLite-v2**: -202.6 (当前最新)
- **MAPPO-LCE**: -223.8 (当前基线)
- **历史Baseline V2**: -100.020 (历史最优)
- **历史MAVACLite SOTA**: -100.188 (历史轻量级最优)

## 技术创新

### 🔬 MAVACLite轻量级SOTA架构
- **SimplifiedSelfAttention**: 仅16维attention机制实现接近基线性能
- **LightweightEncoder**: 简化的特征编码器
- **张量维度自适应**: 自动处理2D/3D/4D张量维度匹配问题

### 📊 多指标奖励系统
- **pressure**: 交通压力优化
- **queue_len**: 排队长度控制  
- **wait_time**: 等待时间优化
- **delay_time**: 延迟时间减少

## 项目结构

```
📁 MAPPO_Research_Project/
├── 📋 configs/              # 配置文件
│   ├── sumo_7roads_mappo_lite_sota_v2_enhanced.py
│   ├── sumo_7roads_mappo_lce_enhanced.py  
│   ├── mavac_lite_optimal_config.py
│   └── run_enhanced_multi_indicator_training.py
├── 🤖 models/               # 模型代码
│   ├── mavac_lite.py        # MAVACLite轻量级模型
│   ├── mavac_sota.py        # MAVACLite SOTA模型
│   └── ppo_lce_source.py    # MAPPO-LCE模型
├── 📊 results/              # 实验结果
│   ├── charts/              # 可视化图表 (9个专业图表)
│   ├── reports/             # 分析报告
│   ├── tensorboard_logs/    # TensorBoard日志
│   └── training_data/       # 训练数据
├── � data/                 # 历史训练数据
│   ├── baseline_v2_training_data.csv
│   ├── mavac_lite_training_data.csv
│   └── final_clean_summary.csv
├── 🎨 visualizations/       # 论文级可视化
│   ├── clean_performance_analysis.pdf
│   └── clean_training_convergence.pdf
├── 📚 Academic_Paper_Experimental_Section.md
└── 🧪 experiments/          # 实验记录
```

## 核心发现

### 性能验证
- **MAVACLite技术路线成功**: 轻量级架构在保持性能的同时显著减少计算量
- **16维attention突破**: 证明了极简化注意力机制的有效性
- **多指标优化有效**: 综合考虑多个交通指标提升整体控制效果

### 训练稳定性
- **跨时间一致性**: 历史实验与当前实验结果具有良好对比性
- **可重现性确认**: 多次独立实验证实结果稳定性
- **收敛特性优良**: MAVACLite相对传统方法显示更好的收敛性能

## 使用说明

### 运行最新训练
```bash
python run_enhanced_multi_indicator_training.py
```

### 生成全面对比图表
```bash
python generate_comprehensive_comparison.py
```

### 启动TensorBoard
```bash
tensorboard --logdir=results/tensorboard_logs --port=6019
```

## 技术文档

- `Academic_Paper_Experimental_Section.md`: 学术论文实验部分
- `MAVACLite_Technical_Innovation_Analysis.md`: 技术创新分析
- `results/reports/training_statistics_report_20260220.md`: 最新训练统计
- `results/charts/`: 完整的四方对比可视化图表

## 学术价值

### 技术突破
MAVACLite实现了多智能体强化学习轻量化的重大突破，为实际部署提供了高效解决方案。

### 研究贡献  
1. **架构创新**: 证明了轻量级SOTA的可行性
2. **工程实践**: 建立了完整的模型开发-调试-部署流程  
3. **性能基准**: 为后续研究提供了技术基线

## 贡献者

**研发时间**: 2026年2月  
**技术栈**: Python, PyTorch, SUMO, TensorBoard, MAPPO  
**训练环境**: AutoDL + 本地验证  

---
*本项目为多智能体强化学习在交通信号控制领域的前沿研究成果，包含完整的历史数据和最新验证结果*