自动化调参神器：用EPyMARL search.py高效搜索超参数

自动化调参神器：用EPyMARL search.py高效搜索超参数

【免费下载链接】epymarlAn extension of the PyMARL codebase that includes additional algorithms and environment support项目地址: https://gitcode.com/gh_mirrors/ep/epymarl

训练多智能体强化学习模型时，手动一个个试超参数是不是让你头疼？EPyMARL 自带的 search.py 自动化调参脚本，能把枯燥的超参数搜索变成一条命令的批量实验，配合多随机种子与并行执行，几小时跑完过去一周的工作量。这篇 EPyMARL 超参数搜索教程，手把手带你玩转这套调参利器，让模型训练效率直接起飞 🚀。

为什么调参这么痛苦？从手动实验说起

在 EPyMARL 中，运行一次训练实验很简单，只需要一条命令：

python src/main.py --config=qmix --env-config=gymma with lr=0.0005 hidden_dim=64

但问题在于：一次实验只验证一组超参数。你想对比学习率、隐藏层维度、目标网络更新间隔……就得手动改参数、反复重跑、再手动记录结果。组合一多，人就变成了"人工调参机"😫。

而 EPyMARL 官方提供的搜索脚本 search.py（位于src/search.py）正是为了解决这个痛点而生的：一次配置，批量出结果。

认识 search.py：自动化调参的核心机制

search.py 的设计思路非常直观，核心包含三大能力：

• 网格搜索（Grid Search）：把每个超参数写成一组候选值，自动生成它们的全部笛卡尔积组合；
• 多随机种子：每个组合自动跑多个 seed，保证结果统计意义可靠；
• 并行执行：在本地利用多核 CPU 同时跑多个实验，集群环境下则一个进程跑一个组合。

这套机制在代码里体现得非常清晰：组合生成逻辑位于 search.py，并行调度与单任务运行则分别在locally与single两个子命令中实现。

最快上手：编写你的第一个搜索配置文件

搜索行为由一份 YAML 配置文件驱动，项目自带了现成模板src/search.config.example.yaml。核心结构只有两大部分：

• grid-search：普通超参数候选列表，例如lr、hidden_dim、t_max；
• grid-search-groups：一组必须"捆绑"在一起的参数，常用于环境配置，例如--env-config与env_args.key必须配对出现。

模板长这样（节选）：

grid-search: "--config": - "iql" - "iql_ns" lr: - 0.0001 - 0.0003 - 0.0005 hidden_dim: - 64 - 128 grid-search-groups: env0: - "--env-config": "gymma" - env_args.key: lbforaging:Foraging-8x8-2p-3f-v0

注意一个关键设计：search.py 会把所有候选值做笛卡尔积，所以每多一个参数、每多一个候选值，组合数都可能爆炸式增长。建议先用小规模候选值验证流程，再逐步扩大搜索范围。

一键运行：本地并行与集群单任务模式

配置文件就绪后，一条命令即可启动本地并行搜索：

python src/search.py run --config=search.config.example.yaml --seeds 3 locally

运行前，脚本会打印出所有组合并询问你是否继续，确认后便开始并行训练。默认并行进程数为 CPU 核心数减一，你也可以用--cpus 4显式控制并行度，避免把机器跑满。

如果你在集群环境（如 Slurm）中运行，更适合用单任务模式：每个进程只跑一个组合，由调度器统一管理：

python src/search.py run --config=search.config.example.yaml --seeds 3 single 1

其中末尾的数字 1 是组合的索引，取值范围从 1 到总组合数。你可以在批处理脚本里循环提交，实现大规模集群调参 🖥️。

另外，search.py 还提供write子命令，可以把当前默认配置导出为一份完整的搜索配置文件，作为你自定义搜索的起点，非常贴心。

设计高效搜索的三个实用技巧

掌握命令只是第一步，真正拉开效率差距的是搜索策略。这里分享三个实战经验：

1. 先小规模探路，再全量验证：正式搜索前，先把t_max设小、test_interval设大，快速跑通几条代表性组合，确认实验流程与日志正常，避免浪费大量算力后才发现问题。
2. 固定无关参数，控制组合数量：像test_nepisode、log_interval这类不影响算法表现的参数，保持单值即可，它们本就不该参与笛卡尔积。
3. 用 hypergroup 标记实验组：search.py 会自动为每个组合添加hypergroup=hp_grp_N标签，跑完后你可以据此快速区分不同超参数组合的实验结果，复盘时一目了然。

常见问题与避坑指南

在实际使用中，这几个坑最常遇到：

• 结果存到哪里？所有实验日志会保存在results/sacred目录下，每个组合有独立文件夹，配合项目自带的 plot_results.py 绘图脚本即可直观对比不同超参数的收敛曲线 📈。
• 并行数过高导致内存不足：并行进程越多，占用的内存也越大，请根据机器实际资源设置--cpus。
• 随机种子不能太少：多智能体强化学习方差很大，建议每个组合至少跑 3~5 个 seed，否则很难判断超参数的好坏是真实的还是运气使然。

小结：把时间还给真正的算法研究

EPyMARL 的 search.py 把"定义搜索空间 + 一键批量运行 + 自动记录结果"整合成了一条自动化流水线。你只需要写好搜索配置文件，剩下的组合生成、并行调度、日志归档全部交给脚本完成，自己则专注于分析结果、设计下一步实验。

无论你是在 LBF、RWARE 这类 Gym 环境上调 QMIX、IQL，还是在 SMAC 上对比 MAPPO 与 IPPO，这套搜索流程都同样适用。现在就 clone 一份代码（git clone https://gitcode.com/gh_mirrors/ep/epymarl），动手写你的第一个搜索配置文件，体验一把自动化调参的快乐吧 🎉！

【免费下载链接】epymarlAn extension of the PyMARL codebase that includes additional algorithms and environment support项目地址: https://gitcode.com/gh_mirrors/ep/epymarl