Okrepitveno učenje agentov za igranje iger v pogonu Unity : magistrsko delo

Banko, Jan

| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Prva stran > Izpis gradiva

Izpis gradiva

Naslov:	Okrepitveno učenje agentov za igranje iger v pogonu Unity : magistrsko delo
Avtorji:	ID Banko, Jan (Avtor) ID Strnad, Damjan (Mentor) Več o mentorju... ID Kohek, Štefan (Komentor)
Datoteke:	MAG_Banko_Jan_2021.pdf (1,04 MB) MD5: 3810EF09BE2C2E4258C058D984F69B2C PID: 20.500.12556/dkum/f2dcb1b3-f075-4fe7-88ee-9ccbdb9b9f98
Jezik:	Slovenski jezik
Vrsta gradiva:	Magistrsko delo/naloga
Tipologija:	2.09 - Magistrsko delo
Organizacija:	FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:	V magistrskem delu obravnavamo algoritme okrepitvenega učenja na primeru igranja računalniških iger. Namen magistrskega dela je implementacija igre v okolju Unity in analiza učinkovitosti algoritmov okrepitvenega učenja računalniškega igralca. Opisane so teoretične osnove okrepitvenega učenja, podrobneje pa so predstavljeni algoritmi PPO (angl. Proximal Policy Optimization), SAC (angl. Soft Actor Critic) in DQN (angl. Deep Q-Network), ki so uporabljeni v končni analizi. Rezultati so pokazali, da je bilo učenje agenta v celoti gledano uspešno. V testnem okolju se je najbolje odrezal algoritem PPO, z uporabo katerega je naučen agent v povprečju dosegal 86,4% maksimalne možne nagrade, najslabše pa algoritem DQN, ki ni primeren za uporabo v implementiranem testnem okolju.
Ključne besede:	okrepitveno učenje, računalniške igre, Unity, agent, strojno učenje
Kraj izida:	Maribor
Kraj izvedbe:	Maribor
Založnik:	[J. Banko]
Leto izida:	2021
Št. strani:	VIII, 53 str.
PID:	20.500.12556/DKUM-79190
UDK:	004.85:004.96(043.2)
COBISS.SI-ID:	67936771
Datum objave v DKUM:	17.06.2021
Število ogledov:	1243
Število prenosov:	158
Metapodatki:
Področja:	KTFMB - FERI
:	Kopiraj citat

Skupna ocena:	(0 glasov)
Vaša ocena:	Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:

Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:	CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna

Povezava:	http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:	Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:	24.05.2021

Sekundarni jezik

Jezik:	Angleški jezik
Naslov:	Reinforcement learning of game-playing agents in the Unity engine
Opis:	In the master thesis we deal with the reinforcement learning algorithms on the example of playing computer games. The purpose of the thesis is to implement a game in the Unity engine and perform an effectiveness analysis of reinforcement learning algorithms of a computer player. Theoretic bases of reinforcement learning are described and PPO (Proximal Policy Optimization), SAC (Soft Actor Critic) and DQN (Deep Q-Network) algorithms that are used in the final analysis are presented in detail. The results have shown that the learning of the agent was overall successful. The best algorithm in the test environment was PPO, using which the agent achieved 86,4% of the maximal possible reward on average, and the worst was DQN, which is not suitable for use in the implemented test environment.
Ključne besede:	reinforcement learning, computer games, Unity, agent, machine learning

Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)

0 - 0 / 0

Ni komentarjev!

Nazaj