NeuroPAL：结合间断随时学习的神经进化用于《星际争霸：虫群之心》的宏观管理

《星际争霸：虫群之心》仍然是人工智能研究的一个具有挑战性的基准，特别是在宏观管理领域，需要长期的战略规划。传统的《星际争霸》AI方法依赖于基于规则的系统或监督式深度学习，两者在适应性和计算效率方面都存在局限。在本工作中，我们提出了 NeuroPAL，一个神经进化框架，将增拓扑神经进化（NEAT）与间断随时学习（PAL）相结合，以提高进化训练的效率。通过在频繁的低保真度训练与周期性的高保真度评估之间交替，PAL 增强了 NEAT 的样本效率，使智能体能够在更少的训练迭代中发现有效策略。我们在《星际争霸：虫群之心》的固定地图、单种族场景中评估了 NeuroPAL，并将其性能与标准的基于 NEAT 的训练进行了比较。我们的结果表明，PAL 显著加速了学习过程，使智能体在约 NEAT 单独所需一半的训练时间内即可达到具有竞争力的游戏水平。此外，进化出的智能体展现出涌现行为，如代理兵营放置和防御建筑优化，这些策略是人类专家玩家常用的策略。这些发现表明，像 PAL 这样的结构化评估机制可以增强神经进化在复杂即时战略环境中的可扩展性和有效性。