Nov, 2023

多阶段策略卡牌游戏的两阶段强化学习

PDF
TL;DR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。
artificial intelligencecard gamesreinforcement learningmulti-agent systemthe lord of the rings: the card game
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

  • 使用强化学习解决乌尔王宫游戏

    本研究采用蒙特卡罗、Q 学习和预期 Sarsa 等不同的方法来训练智能体，学习下古老的策略性游戏乌尔王的最优策略，并表现出不错的结果和学习能力。其中，预期 Sarsa 在学习速度方面表现出色。

    Aug, 2022

  • 实时策略游戏综合终身强化学习智能体系统设计

    本文介绍了 L2RLCF 框架以及通过 Starcraft-2 小游戏实现不同组件的整合，从而实现连续学习的能力并进行全面客观的比较。

    Dec, 2022

  • 多智能体 MOBA 游戏的分层强化学习

    本文提出了一种新颖的分层强化学习模型，通过模仿学习从事宏观策略，并通过强化学习进行微观操作，以应对多人在线战斗竞技游戏 (MOBA) 中包含的大量状态空间、动作空间和隐藏信息，并且该模型在缺乏游戏引擎或 API 的情况下，还设计了一种密集的奖励函数来鼓励多个智能体合作。实验结果表明该方法能够在 MOBA 游戏中获得优异表现，如在王者荣耀 5v5 模式中成功与内置 AI 进行战斗且胜率达到 100%。

    Jan, 2019

  • 复杂实时战略游戏中的多智能体强化学习集中式控制

    本研究通过在 Lux AI v2 Kaggle 比赛中应用 RL，使用一种集中式方法来训练 RL 代理，并报告了沿途的多个设计决策，以控制多种类型的变量大小编队群，从而解决多优化问题。

    Apr, 2023

  • RLCard: 纸牌游戏中强化学习的工具包

    RLCard 是一个用于扑克类游戏强化学习研究的开源工具包，旨在将强化学习和非完全信息游戏联系起来，推动在多个代理、大状态和动作空间以及稀疏奖励等领域的强化学习研究。

    Oct, 2019

  • 基于深度强化学习的战略对话管理

    本研究成功应用深度强化学习 (DRL) 训练具备谈判能力的智能策略代理程序，实验表明该程序与由人工设计的规则、随机等算法相比，获胜率提高至 53%。

    Nov, 2015

  • 关于团队运动比赛中的多智能体学习

    本文提出了一种分层训练智能体的方法，以期在团队运动游戏中实现类似于人类的风格和高水平的表现，初步结果显示所提出的方法具有解决多智能体学习问题的潜力。

    Jun, 2019

  • 通过强化学习平衡竞争双人游戏的难度级别

    本文提出了一种基于 PCGRL 框架的自动平衡的方法，其架构包括三个部分：关卡生成器，平衡代理以及奖励模型仿真，并且使用新颖的基于交换的表示法，该方法能够比普通的 PCGRL 更好更快地教授代理修改关卡以进行平衡。

    Jun, 2023

  • SPRING: GPT-4 通过学习论文和推理胜过强化学习算法

    提出了一种使用大型语言模型的新方法 ——SPRING 框架，通过读取游戏的原始学术论文，利用所学知识进行推理和游戏，探讨了该方法在 Crafter 开放世界环境下的应用以及其在完成高级轨迹上的潜力。

    May, 2023