基于機器學習的游戲智能系統(tǒng)研究與應用.pdf

1、在機器學習領域中,直接利用高維的感知數(shù)據(jù),例如視覺語音信號等,訓練學習并獲得一個具有良好控制策略的決策系統(tǒng)仍然是一個挑戰(zhàn)性的問題。在Deep Q-Learning Network(DQN)提出以前，現(xiàn)有領域內(nèi)成功的強化學習應用案例主要依賴于組合人工特征或者策略表達來實現(xiàn)，特征的適用性嚴重影響最后的結(jié)果。
　　隨著深度強化學習領域的發(fā)展，利用DQN算法直接從高維數(shù)據(jù)以及環(huán)境的反饋中，能夠以平穩(wěn)的方式成功地學習到一個非常好的控制策略，

2、在Atari環(huán)境中大部分游戲取得了非常好的表現(xiàn)。利用卷積神經(jīng)網(wǎng)絡擁有的直接從高維數(shù)據(jù)中提取特征的能力以及Q-Learning算法用于訓練動作評價網(wǎng)絡，DQN在游戲智能領域提供了新的解決思路。
　　然而仍然存在一系列的挑戰(zhàn)。首先DQN需要一個完全觀測的狀態(tài)信息，在面對需要超過4幀信息用以表示當前狀態(tài)的時候，并不能獲得一個非常好的控制策略，例如在3D環(huán)境下。稀疏、有延遲的、有噪聲的獎勵信號是另一個問題，強化學習需要從這樣一個獎勵信號中