层次化强化学习在数字战争艺术中的智能战斗模拟代理开发
机器学习
2024-08-27 v1 人工智能
摘要
在当今快速演变的军事格局下，推动人工智能 (AI) 在战役演练中的应用至关重要。尽管强化学习 (RL) 在开发智能代理方面显示出前景，但常规 RL 在处理战斗模拟中固有的复杂性方面存在局限。本论文提出一种综合方法，包括针对性的观察抽象、多模型集成、混合 AI 框架以及整体的层次化强化学习 (HRL) 框架。我们采用分段线性空间衰减的局部观察抽象方法简化 RL 问题，提高了计算效率，并证明其优于传统的全局观察方法。我们的多模型框架将各种 AI 方法结合起来，在优化性能的同时仍可使用多样化、专门的 individual behavior 模型。我们的混合 AI 框架将 RL 与脚本化代理相结合，利用 RL 进行高层决策，利用脚本化代理执行低层任务，提高了适应性、可靠性和性能。我们的 HRL 架构和训练框架将复杂问题分解为可管理的子问题，与军事决策结构相吻合。尽管最初的测试未显示出改进的性能，但从中获得的见解将用于改进未来的迭代。在本研究中，我们强调了 AI 在战役演练中的潜力，强调需要在该领域继续研究。
引用
@article{arxiv.2408.13333,
title = {Mastering the Digital Art of War: Developing Intelligent Combat Simulation Agents for Wargaming Using Hierarchical Reinforcement Learning},
author = {Scotty Black},
journal= {arXiv preprint arXiv:2408.13333},
year = {2024}
}