Empowering atari gaming with deep reinforcement learning

Derin Güçlendirme Öğrenme (DRL), yapay zeka aracılarını karmaşık oyun ortamlarında gezinmek için optimize ederek oyun alanında önemli ilerlemeler kaydetti. Bu çalışma, Yılan Optimizasyon Algoritması (SOA) ve Enerji Vadisi Optimizasyonunun (EVO) araştırılmasına girişiyor; labirent benzeri bir oyun ortamında bunların etkinliğini kıyaslayan, uygun bir şekilde Energy Serpent Optimizer (ESO) olarak adlandırılan birleşik bir yaklaşımla sinerji oluşturuyor. . Bu ortamda, bir AI ajanı karmaşık yollarda manevra yaparken yılanlar, kafatasları ve diğer animasyonlu karakterler gibi çeşitli zorluklarla mücadele edecek şekilde ayarlanmıştır. Temsilcinin genel hedefi labirentte ustaca gezinmek, potansiyel tehditlerden kaçınmak ve puan toplamak için belirli oyun öğeleriyle etkileşime geçmektir. ESO'nun karşılaştırmalı bir analizi, yürütme süresi verimliliklerinde dikkate değer farklılıklar ortaya çıkardı. SOA, yalnızca 0,43 saniyede devreye giren, zaman açısından daha verimli bir algoritma olarak ortaya çıktı. Bu fark edilebilir zaman aralığı, bu özel ortamda ESO'nun üstün verimliliğini vurguluyor. Ek olarak ESO, optimizasyon sürecinin genetik algoritmalar yoluyla bir dizi hiperparametre konfigürasyonunun geliştirilmesini gerektirdiği söz konusu oyun ortamında teste tabi tutuldu. Amaç, sürecin zaman açısından verimli olmasını sağlarken yapay zeka temsilcisinin oyun içi ödülünü en üst düzeye çıkarmak için bu yapılandırmaları yinelemek ve uyarlamaktı. Etkileyici bir şekilde, ESO'nun rehberliği altındaki AI ajanı, 32 saniyelik bir sürede 1100,0 gibi dikkate değer bir ödül puanı elde etti.