基于機(jī)器學(xué)習(xí)的游戲智能系統(tǒng)研究與應(yīng)用.pdf

1、在機(jī)器學(xué)習(xí)領(lǐng)域中,直接利用高維的感知數(shù)據(jù),例如視覺語音信號(hào)等,訓(xùn)練學(xué)習(xí)并獲得一個(gè)具有良好控制策略的決策系統(tǒng)仍然是一個(gè)挑戰(zhàn)性的問題。在Deep Q-Learning Network(DQN)提出以前，現(xiàn)有領(lǐng)域內(nèi)成功的強(qiáng)化學(xué)習(xí)應(yīng)用案例主要依賴于組合人工特征或者策略表達(dá)來實(shí)現(xiàn)，特征的適用性嚴(yán)重影響最后的結(jié)果。
　　隨著深度強(qiáng)化學(xué)習(xí)領(lǐng)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(xué)習(xí)到一個(gè)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(luò)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(xùn)練動(dòng)作評價(jià)網(wǎng)絡(luò)，DQN在游戲智能領(lǐng)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(gè)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(dāng)前狀態(tài)的時(shí)候，并不能獲得一個(gè)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(jiǎng)勵(lì)信號(hào)是另一個(gè)問題，強(qiáng)化學(xué)習(xí)需要從這樣一個(gè)獎(jiǎng)勵(lì)信號(hào)中