Game AI
簡介(X
講幹話(O
Game AI?
How to do it?
強化學習
沒有最強，只有更強
概念
概念
電腦為代理人(Agent)，和環境作互動
從環境獲取狀態(State)，並採取行動(Action)
環境會適時給代理人獎賞(Reward)
Agent根據與環境互動時所得到的獎勵，逐漸形成對獎勵的預期，並產生能獲得最大利益的方法。
範例
環境:遊戲畫面
行動選擇:往左/往右/開火
獎勵:打死外星人得到分數
終止條件:遊戲結束
目標:得到盡量多的分數
困難點?
- 獎勵往往很少且會有延遲
- 需要讓函數多嘗試不同可能
範例
方法
Policy-based
Learning an actor
Value-based
Learning a critic
Learning an actor
目標:輸入一個環境狀態，輸出最好的行動
方法:查表?狀態過多?
輸入:遊戲畫面
做某些事
Left=0.7
Right=0.1
Fire=0.2
輸出要執行的動作(機率)
f(x)
RDL=RL+DL
目標:輸入一個環境狀態，輸出最好的行動
看起來像個函數?
神經網路!
輸入:遊戲畫面
丟進神經網路
Left=0.7
Right=0.1
Fire=0.2
輸出要執行的動作(機率)
相信大家都會機器學習
不會的可以看我做的暑訓講義
或是去機器學習放學社課
定義函數的集合
評估函數的好壞
找到最好的函數
就好像把大象放進冰箱...
要怎麼做
讓這個Actor多玩幾次遊戲
算出得分的期望值(就是取平均啦)當作Loss
做梯度上升
(跟梯度下降類似，不過是找最大值)
Learning a critic
目標:輸入一個環境狀態，輸出在給定某個Actor所能得到的期望分數。
一樣看Actor玩很多次後學起來，做類似迴歸
反正就跟Supervised Learning的做法差不多
不過只靠這個無法改變policy(做選擇的策略)?
Q-Learning
Q表: 記憶矩陣，其實也是個函數啦
給定狀態與行動Q(s,a)，使用當前Actor所能得到的期望分數
因為Q知道使用哪個Action會使分數最多，所以可以透過某種方法更新Q函數，使其作出更正確的判斷
Q-Learning
著名的貝爾曼方程式
newQ(s,a)=(1-\alpha )Q(s,a)+\alpha [R(s,a)+\gamma maxQ'(s',a')]
\(\alpha\): 學習率，\(\gamma\): 折價因子
Q表的內容會隨"此步的獎勵"與"未來潛在獎勵"做變動
Actor-Critic
上面兩個也可以一起用
Actor在學習時使用Critic的輸出結果當期望分數
現在最強的強化學習算法大部分是用這個方法實作
Actor-Critic
(i) Train Actor
看Critic輸出的期望得分，做梯度上升
(ii) Train Critic
看Actor玩幾次的真實得分與預測的差異，做類似迴歸的事情
專題欣賞
最有存在感的學長黃思維
寫的RDL 2048
聽說這裡有很多好東西
聽說有很多好用的RL toolkit
如果想要了解更多可以參考
Actor-Critic 範例
DQN 範例
休息時間~
基因演算法
生物的演化法則
在幹嘛
同樣是找一個函數的過程
我們希望函數們模擬天擇的過程，期待能產生適應度最佳的演算法(?
先來欣賞一下專題
外交長兼聯課執秘大電神賴昭勳
寫的基因演算法tetris
How?
概念都差不多
定義函數的集合
評估函數的好壞
找到最好的函數
函數的長相
目標:輸入一個版面，輸出該版面的好壞程度
我們可以枚舉所有方塊落下的可能，形成一些可能的版面
算出他們的好壞程度，並執行最好的行動
跟剛才的Critic有點像(?
函數的長相
要怎麼知道一個版面好不好?
要自己找判斷依據 如:坑洞數、凹凸程度...
需要對題目有一定理解，並且好好設計
找出判斷依據對版面好壞的相關權重
如何評估一個函數是否恰當?
多玩幾次，取得分的期望值
找到最好的函數
讓表現得好的函數可以產生後代(X
後代們由親代的參數隨機分配
偶爾會有突變的情況
流程
表現得不夠好?
禁忌檢查
類似不能近親通婚的概念
可以比較快找到最佳解同時維持準確率
表現得不夠好?
迷因演算法
能力不只來自於先天遺傳，後天影響也很大
讓一些迷因在函數之間傳播，看是否能表現得更好
The end
四校聯課-Game AI
By jass921026
