策略纸牌游戏人工智能比赛总结
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
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
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
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。
Mar, 2023
该论文总结了在 IEEE 计算智能游戏会议上举办的三届竞赛,包括竞赛框架,竞争者以及在 20 个游戏中的改进评估结果。该竞赛填补了现有游戏人工智能竞赛的空白并为自然语言理解和生成提供了独特的挑战。
Aug, 2018
通过开发文本化的 StratCraft II 环境,利用大型语言模型代理实现游戏性能评估,研究表明大型语言模型代理在应对 StarCraft II 场景中具备相关知识和复杂规划能力,性能接近于玩了八年 StarCraft II 的普通玩家,并能够击败 Harder (Lv5) 的内置 AI。
Dec, 2023
通过基于遗传算法构建基于规则的代理程序,本文针对获得产业重要奖项并受到学术界关注的合作式卡牌游戏 Hanabi 在 CIG 2018 会议上进行了两轨的比赛,成功优于以往的成绩表现。
Sep, 2018
本研究介绍了一种基于项目和竞赛的本科生课程,旨在为第二年级学生提供搜索方法在棋盘游戏中的应用基础,并通过竞赛形式应用于构建 AI 代理以参加比赛。通过引入竞赛化学习和游戏化学习,以更好的方式促进学生学习的质量和体验。
Apr, 2023
本文介绍了 Local Learner(2L),一种用于提供一组参考策略以指导在双人零和博弈中寻找策略的算法,并使用 MicroRTS 等三个游戏进行了实证研究,结果表明,与传统方法相比,2L 能够学习到提供更强的搜索信号的参考策略。同时,在 MicroRTS 比赛中,使用 2L 的综合策略表现优于两个最新 MicroRTS 比赛的获胜者,这些获胜者是由人类程序编写的。
Jul, 2023