Mar, 2023

提升技巧，掌握策略卡牌游戏（炉石传说）

PDF
TL;DR本文采用一种基于 AI 的策略卡牌游戏玩法，结合乐高魔法、炉石传说等游戏的机制，将多个模型算法应用于炉石传说，并且测试结果表明在与顶尖的人类选手 Best-of-5 比赛中胜出的能力非常强。
发现论文，激发创造
  • 通过端到端策略和乐观平滑虚构博弈掌握战略卡牌游戏（代码与魔法传说）

    本文借鉴了深度强化学习和虚构学习的思想，针对多阶段游戏存在的问题提出了一种端到端的策略，并提出了乐观的平滑虚构学习算法，在 Legends of Code and Magic 卡牌游戏中寻找纳什均衡，最终表现卓越，获得 COG2022 竞赛双料冠军，验证和展示了我们方法的先进性。

    Mar, 2023

  • 策略纸牌游戏人工智能比赛总结

    本文总结了基于 Collectible Card Game (CCG) Legends of Code and Magic (LOCM) 的五年 AI 竞赛，介绍了比赛规则、历史、参赛者的方法，以及组织 AI 竞赛的一些建议。

    May, 2023

  • MOBA 游戏智能的分层宏观策略模型

    本研究提出了一种新的基于学习的分层宏观策略模型，用于掌握 MOBA 游戏，包括实现宏观策略决策和微观水平执行，每个代理人可以独立做出策略决策，并通过模拟跨代理人通信机制与盟友进行通信。在评估中，我们的 5 个 AI 团队在一种流行的 5v5 MOBA 游戏中取得了 48％的胜率，这些人类玩家团队在玩家排名系统中排名前 1％。

    Dec, 2018

  • 学习击败 ByteRL：可收集卡牌游戏智能体的可利用性

    通过对 ByteRL 在《法典传说》和《炉石传说》中的表现进行初步分析，我们发现这种技术在这类游戏中的可利用性很高。

    Apr, 2024

  • 多阶段策略卡牌游戏的两阶段强化学习

    这项研究介绍了一种针对《魔戒卡牌游戏》的两阶段强化学习策略，采用分阶段学习方法，通过在简化版本和完整的游戏环境中逐步学习，显著提高了人工智能代理在面对《魔戒卡牌游戏》的不可预测和具有挑战性的情境中的适应能力和表现。此外，论文还探讨了多智能体系统，其中不同的强化学习代理用于游戏的各个决策方面，并在一组 10,000 局随机游戏中实现了 78.5％的胜率提升。

    Nov, 2023

  • 深度强化学习掌握麻将

    利用深度强化学习，包括全局奖励预测、指导预测和运行时策略自适应等新技术设计了名为 Suphx 的 AI 麻将程序，并在性能上超过了大多数顶尖的人类玩家，在 Tenhou 平台上被评为超过 99.99% 的所有官方排名人类玩家，标志着计算机程序首次在麻将中超越了大多数顶尖的人类玩家。

    Mar, 2020

  • TStarBot-X：StarCraft II 完整游戏中高效联赛训练的开源综合研究

    本研究基于 AlphaStar 的技术，利用多项创新性技术，如新型联赛训练方法、配合规则的策略搜索、稳定的策略改进、轻量级神经网络架构、模仿学习中的重要性采样等，开发出一款名为 TStarBot-X 的 AI 代理程序，在计算能力有限制条件下可以与人类玩家进行竞争，研究结果对于如 StarCraft 这类复杂问题的学术和工业研究可能具有重要意义。

    Nov, 2020

  • 介绍致敬 AI 比赛

    本文介绍了一项基于《上古卷轴》中的双人卡牌游戏的 AI 挑战赛，目标在于开发应对随机性、信息不对称、策略多样等多种挑战的 AI 算法，该比赛旨在鼓励使用经典对抗搜索、单人策略规划和神经网络等多种算法进行游戏策略实现，是 CCG 领域中首次针对卡组构筑的 AI 挑战赛。

    May, 2023

  • 监督学习在 MOBA 游戏中达到人类水平表现：《王者荣耀》案例研究

    JueWu-SL 是第一个在多人在线战略游戏中通过监督学习实现人类水平表现的 AI 程序，通过对宏观战略和微管理进行端到端的神经网络整合，经过 Honor of Kings 的测试，在标准的 5v5 游戏中表现出和高王段位选手的竞争水平。

    Nov, 2020

  • TStarBots: 在 StarCraft II 全游戏中击败作弊级内置 AI

    本文中，我们提出了两种基于深度强化学习框架和分层动作空间的 AI 智能体 TStarBot1 和 TStarBot2，并评估它们在星际争霸 II 全场游戏中的表现，成功地战胜了从 1 至 10 级内置 AI 对手，标志着深度强化学习在星际争霸 II AI 研究领域取得了重要进展。

    Sep, 2018