基于知识的强化学习博弈策略游戏
人工智能
2024-09-05 v1
摘要
本文提出基于知识的强化学习（KB-RL）作为一种将基于知识的方法与强化学习（RL）技术结合为单一智能问题求解方法的方法。所提方法聚焦于多专家知识获取，将强化学习用作冲突解决策略，旨在将多位专家的知识整合进一个知识库。文章详细描述了 KB-RL 方法，并将该方法应用于当前人工智能（AI）研究中最具挑战性的问题之一，即博弈策略游戏。结果表明，KB-RL 系统能够游玩并完成完整的 FreeCiv 游戏，并在多种游戏设置下战胜电脑玩家。此外，随着游戏场次增多，系统通过缩短获胜所需回合数来改进玩法。总体而言，该实验支持这样一种观点：基于人类知识并借助强化学习赋能，KB-RL 系统能够为复杂、多策略问题提供强力解决方案，并且主要能随经验增加而改进解。
引用
@article{arxiv.1908.05472,
title = {Playing a Strategy Game with Knowledge-Based Reinforcement Learning},
author = {Viktor Voss and Liudmyla Nechepurenko and Rudi Schaefer and Steffen Bauer},
journal= {arXiv preprint arXiv:1908.05472},
year = {2024}
}
备注
preprint