12721

مروري بر روش‌هاي يادگيري تقويتي در اجراي بازي

1401

محمدرضا محمدي

يادگيري تقويتي عميق در سال‌هاي اخير به موفقيت‌هاي چشمگيري در حوزه‌هاي مختلف دست يافته است. يكي از زمينه‌هايي كه از طريق استفاده از يادگيري تقويتي عميق پيشرفت قابل‌توجهي داشته، هوش مصنوعي بازي‌هاي ويدئويي است. اين گزارش مروري بر پيشرفت‌هاي يادگيري تقويتي عميق در هوش مصنوعي بازي‌هاي ويدئويي ارائه مي‌كند. اين بررسي ابتدا الگوريتم‌هاي اساسي مانند يادگيري عميق Q و يادگيري عميق دوگانه Q كه روش‌هاي مبتني بر ارزش بوده و روش‌هايي مانند TRPO و PPO كه روش‌هاي مبتني بر گراديان سياست هستند را بررسي كرده و سپس به دستاوردهاي يادگيري تقويتي عميق در انواع مختلف بازي‌ها مانند آتاري تا بازي Dota2 مي‌پردازد. بسياري از عامل‌هاي يادگيري تقويتي عميق در بازي‌هاي كلاسيكي مانند آتاري و همچنين بازي‌هاي پيچيده سه‌بعدي از سطح عملكرد انساني فراتر رفته‌اند. بااين‌حال، چالش‌هايي مانند تعادل بين كاوش و بهره‌برداري، كارايي نمونه، تعميم به بازي‌ها يا محيط‌هاي جديد، يادگيري چندعاملي، مديريت اطلاعات ناقص و تفسيرپذيري مدل‌هاي يادگيري تقويتي عميق همچنان باقي مانده‌اند. به‌طوركلي، يادگيري تقويتي عميق نتايج اميدواركننده‌اي را در هوش مصنوعي بازي‌هاي ويدئويي نشان داده است، اما ادامه تحقيقات براي رسيدگي به مسائل باقي‌مانده و جابه‌جايي مرزهاي هوش بازي‌سازي نياز است.

11/15/2023 12:00:00 AM

80999

1402/09/05

An Overview of Reinforcement Learning Methods In Playing Games

يادگيري تقويتي عميق , بازي‌هاي ويدئويي , يادگيري تقويتي , يادگيري عميق , هوش مصنوعي

Deep Reinforcement Learning , Video Games , Reinforcement Learning , Deep Learning , Artificial Intelligence