FlashRL：一个面向 Flash 游戏的强化学习平台

强化学习（RL）是近年来蓬勃发展的研究领域，并已在成功游玩电脑游戏等方面展现出非凡潜力。然而，目前仅有少数游戏平台能提供推进 RL 算法所需的任务与状态空间多样性。现有平台提供对 Atari 及少数基于网页的游戏的 RL 接口，但尚无平台完全开放对 Flash 游戏的访问。这颇为遗憾，因为将 RL 应用于 Flash 游戏有潜力推动 RL 算法的研究。本文介绍 Flash 强化学习平台（FlashRL），它试图通过在一个用于 Flash 自动化的新颖平台上为数千款 Flash 游戏提供环境来填补这一空白。它开启了针对 Flash 游戏的 RL 算法简易实验，而此前这颇具挑战。该平台表现出优异性能，在消费级硬件上 CPU 占用率仅 5%。它对新型强化学习算法展现出可喜结果。