1.一种多智能体强化学习方法，其特征在于，包括以下步骤：获取观测，智能体根据观测获取动作概率分布，以及推理队友智能体基于所述观测的动作概率分布；根据获得的动作概率分布，计算每个智能体与队友智能体的行为一致性；基于行为一致性，通过动态缩放网络获取动态调节因子，根据动态调节因子计算行为一致性的内部奖励；根据链式求导法则，以最大化外部回报为目标，对动态缩放网络的参数进行优化；使用优化完成的策略实现多智能体的协作任务；所述通过动态缩放网络获取动态调节因子，根据动态调节因子计算行为一致性的内部奖励，包括：构建动态缩放网络；其中，该动态缩放网络的输入为全局观测，输出为与不同智能体之间行为一致性的动态调节因子；根据动态调节因子和行为一致性，计算获得基于行为一致性的内部奖励；对于智能体 ，在 时刻获取的基于行为一致性的内部奖励如下： ，其中， 为智能体 自身动态缩放网络输出的动态调节因子， 为一个缩放超参数， 表示智能体 与智能体 在 时刻的行为一致性， 为智能体 的队友智能体集合；当 值为负时，鼓励智能体 和智能体 之间做出一致性行为；当 值为正时，则惩罚智能体 和智能体 之间做出一致性行为；所述根据链式求导法则，以最大化外部回报为目标，对动态缩放网络的参数进行优化，包括：构建外部价值目标函数，并将外部价值目标函数的导数通过链式法则，与动态缩放网络的参数相关联，从而使得动态调节因子的更新方向与外部价值增大的方向一致；所述根据链式求导法则，以最大化外部回报为目标，对动态缩放网络的参数进行优化，包括：设第 个智能体对应动态缩放网络的参数为 ，利用链式求导法则，外部回报 对 的梯度 表示为： （1），其中 表示第 个智能体对应的执行器策略更新后的网络参数；公式（1）中的 ，进一步表示为： （2），其中 表示外部优势，由外部评判器给出； 表示第 个智能体更新后的执行器策略输出动作为 的概率； 为记录第 个智能体历史观测的和动作的缓存器；根据Soft Actor-Critic算法， 的计算表示为： （3），其中 为学习率， 为Soft Actor-Critic算法中的熵温度系数， 为第 个智能体对应的更新后辅助评判器在输入其观测 时的动作价值；在Soft Actor-Critic算法中，为每个智能体定义两个相同的辅助评判器分别输出两个动作价值 和 ，每个辅助评判器的参数独立更新，并且所参与的奖励输入为内部奖励与外部奖励之和，即 ， 为外部奖励，则 ；进一步推导出，式（1）中的 等于： （4），其中 、 分别为第 个智能体对应辅助评判器更新前和更新后的参数； 为第 个智能体对应的更新前辅助评判器在输入其观测 时的动作价值； 为第 个智能体更新前的执行器策略；将式（2）和式（4）代入式（1），计算出外部回报 对 的梯度 ；通过梯度上升法完成对动态缩放网络参数的优化。
2.根据权利要求1所述的一种多智能体强化学习方法，其特征在于，所述获取观测，智能体根据观测获取动作概率分布，以及推理队友智能体基于所述观测的动作概率分布，包括：对于每个智能体，输入该智能体当前时刻的观测，智能体利用自身的执行器推理出下一步的动作概率分布；智能体将自身的观测输入其他智能体的执行器，推理出队友智能体执行器面对相同观测时的动作概率分布。
3.根据权利要求1所述的一种多智能体强化学习方法，其特征在于，所述计算每个智能体与队友智能体的行为一致性，包括：计算每个智能体推理得到的自身下一步的动作概率分布，和队友智能体面对相同观测时输出的动作概率分布之间的相似度，作为行为一致性。
4.根据权利要求3所述的一种多智能体强化学习方法，其特征在于，所述相似度采用KL散度进行计算，计算公式如下： ，其中， 表示智能体 在 时刻获取与智能体 相同观测时，输出动作为第 类动作的概率， 表示智能体 在 时刻输出动作为第 类动作的概率， 表示智能体动作空间的长度。
5.一种多智能体强化学习装置，其特征在于，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-4任一项所述方法。
6.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-4任一项所述方法。
