人工智能在即时策略游戏中决策辅助的应用.docVIP

摘 要 本文主要根据强化学习中的Q Learning算法，结合深度神经网络，实现了人工智能程序在只需接收图像信息的情况下，便能在FlappyBird、Breakout以及Catpole三个游戏中达到人类游玩的水平，同时本文也对该深度强化学习算法DQN算法的影响因素做了一定程度的探索与验证。第一、探究了贪婪策略中贪婪因子 的大小对收敛速度与最优解的影响。实验表明贪婪因子越大，越会导致Qmax值不稳定，但是贪婪因子越大，则越容易找到一个更优解，所以一个折中的做法是随迭代的增加逐渐降低贪婪因子的大小。第二、探究了Dueling网络结构对算法收敛的影响。通过实验发现Dueling网络结构虽然对算法的收敛速度没有明显的提升，但是Dueling网络结构却很好的抑制贪婪因子导致的不稳定性，使程序更容易找到更优解。第三、用于惩罚和奖励的反馈值reward，不同的设置方式将会导致agent的行为不一样，也就是每个动作的决策将会不同，反馈值设置的好将会更容易的找到最优值，若设置不好则可能导致死循环，找不到下一个最优值，但是并没有通用的设置方法，需要根据具体的情况具体设置，因为reward的设计实际是告诉了agent游戏的规则。 关键词： 强化学习 贪婪政策 DQN算法 Design and Implementation of Decision Support for AI in