magistrsko delo
Jernej Puc (Avtor), Aleksander Sadikov (Mentor)

Povzetek

Zmožnost delovanja (in zmagovanja) v igrah se pri umetni inteligenci pogosto uporablja kot pokazatelj oz. merilo splošnejše sposobnosti. S stopnjevanjem izzivov pa so zaradi tehničnih ovir odmevni podvigi primorani sklepati kompromise - vmesniki simulacijskih okolij so lahko za umetne agente neskladno prirejeni, kar vzbuja negotovosti v primerjavah z ljudmi. Pregled izbranih del na področju globokega spodbujevalnega učenja v realnočasnih strateških igrah poudarja potrebo po novem merilnem okolju, ki z omogočanjem enakovrednejših vmesnikov bolje izpostavlja vlogo strateških elementov in je hkrati primerno za poskuse na porazdeljenih sistemih. Slednje je izvedeno kot skupinska tekmovalna igra, v opisu katere se obravnavajo določeni tehnični in teoretični problemi na primerih posnemovalnega in spodbujevalnega učenja.

Ključne besede

simulacijsko okolje;večagentni sistem;večigralske igre;medmrežne igre;razvoj iger;umenta intiligenca;umetne nevronske mreže;globoko učenje;posnemovalno učenje;spodbujevalno učenje;samo-igranje;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.09 - Magistrsko delo
Organizacija: UL FRI - Fakulteta za računalništvo in informatiko
Založnik: [J. Puc]
UDK: 004.4
COBISS: 75138819 Povezava se bo odprla v novem oknu
Št. ogledov: 1190
Št. prenosov: 88
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Angleški jezik
Sekundarni naslov: Online benchmark environment for multi-agent reinforcement learning
Sekundarni povzetek: Capability of acting (and winning) in games is often used in artifcial intelligence as an indicator or measure of more general ability. However, as challenges escalate, notable efforts are forced to compromise due to technical limitations - interfaces of simulated environments can be inconsistently adapted for artifcial agents, which induces uncertainty in comparisons with humans. Review of select works in the feld of deep reinforcement learning in real-time strategy games highlights necessity for a new benchmark environment, which better emphasises the role of strategic elements by enabling more equivalent interfaces and is also suitable for experiments on distributed systems. The latter is realised as a team-based competitive game, in description of which specifc technical and theoretical problems are examined on the cases of imitation and reinforcement learning.
Sekundarne ključne besede: simulation;environment;multi-agent system;multiplayer games;online games;game development;artificial intelligence;artificial neural networks;deep learning;imitation learning;reinforcment learning;self-play;
Vrsta dela (COBISS): Magistrsko delo/naloga
Študijski program: 0
Komentar na gradivo: Univ. v Ljubljani, Fak. za matematiko in fiziko, Oddelek za matematiko, Računalništvo in matematika - 2. stopnja
Strani: IX, 80 str.
ID: 13321188
Priporočena dela: