FDQN：面向游戏自动化的灵活深度 Q 网络框架
机器学习
2024-05-30 v1
摘要
在强化学习中，对于需要实时在线交互和自适应策略的高维动态环境，特别是网页游戏等领域，往往难以自动化高维快速决策。本文提出了一种新型灵活深度 Q 网络 (FDQN) 框架，通过自适应方法以实时处理高维感官数据，同时动态适应不同游戏环境的可变动作空间，优于各种 Atari 游戏和 Chrome Dino 游戏中的各种基准模型。在 epsilon-greedy 策略下，有效平衡了新学习与利用，以获得更佳性能。框架采用模块化结构，可轻松适应其他 HTML-based 游戏，而无需修改框架的核心部分。 demonstrated that the FDQN 框架在实验条件下能够成功解决一个明确定义的任务，但更重要的是，它还讨论了将其应用于更具挑战性的现实场景的潜在应用，并为进一步探索自动化游戏播放及其应用奠定了基础。
引用
@article{arxiv.2405.18761,
title = {FDQN: A Flexible Deep Q-Network Framework for Game Automation},
author = {Prabhath Reddy Gujavarthy},
journal= {arXiv preprint arXiv:2405.18761},
year = {2024}
}