面向实时战略游戏BattleCity与S3的强化学习方法
人工智能
2016-02-17 v1
摘要
本文提出了带有广义奖励函数的强化学习算法。在我们提出的方法中，我们使用带有广义奖励函数的Q-learning和SARSA算法来训练强化学习智能体。我们在两款称为BattleCity和S3的实时战略游戏上评估了所提算法的性能。与RTS中的其他工作相比，这种方法有两个主要优势：(1)我们可以忽略模拟器的概念，模拟器通常是游戏特定的并且通常在任何类型的RTS游戏中硬编码；(2)我们的系统可以从与任何对手的交互中学习，并根据对手快速改变策略，且不需要如先前工作中使用的人类轨迹。关键词：强化学习，机器学习，实时战略，人工智能。
引用
@article{arxiv.1602.04936,
title = {Reinforcement Learning approach for Real Time Strategy Games Battle city and S3},
author = {Harshit Sethy and Amit Patel},
journal= {arXiv preprint arXiv:1602.04936},
year = {2016}
}
备注
13 pages, vol 9 issue 4 of IJIP