Apr, 2024

学习击败 ByteRL：可收集卡牌游戏智能体的可利用性

PDF
TL;DR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。
collectible card gamesagentimperfect informationstate spacesearch methods
发现论文，激发创造
  • 提升技巧，掌握策略卡牌游戏（炉石传说）

    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

  • 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

  • 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

  • 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

  • 使用深度强化学习玩完整的 MOBA 游戏

    提出了一种 MOBA 游戏 AI 学习范式，采用深度强化学习及新型学习技术，可训练玩家池多的游戏并解决了可扩展性问题，测试结果表明该 AI 在王者荣耀等游戏中已能击败顶尖电竞选手。

    Nov, 2020

  • Exploiter 的威力：在大状态空间下可证明的多智能体强化学习

    本文提出了一个新算法，能够有效地应用于大量状态空间问题中的多智能体强化学习，以寻找具有低复杂度的多代理贝尔曼 - 伊鲁德维度的零和马尔科夫博弈 Nash 平衡策略。

    Jun, 2021

  • 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

  • 二十一点游戏中强化学习表现的变化

    通过对 deck size 的影响，我们研究了黑杰克游戏中最佳策略和 q 学习算法的学习收敛速度。

    Aug, 2023

  • NeurIPS 2021 NetHack Challenge 的见解

    本文总结了第一次 NeurIPS 2021 NetHack Challenge 的主要论点，该挑战赛旨在使用强化学习或符号学习等方法开发一个程序或代理，与 NetHack 学习环境进行交互，以赢得这个迷宫探索游戏。结果表明，符号 AI 目前在 NetHack 中的表现远优于深度强化学习，并且没有代理成功通关游戏，NetHack 由此成为一个长期的 AI 研究基准。

    Mar, 2022

  • 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