論文の概要: The Design Of "Stratega": A General Strategy Games Framework
- arxiv url: http://arxiv.org/abs/2009.05643v1
- Date: Fri, 11 Sep 2020 20:02:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 21:24:08.347906
- Title: The Design Of "Stratega": A General Strategy Games Framework
- Title（参考訳）: 総合戦略ゲームフレームワーク「stratega」の設計
- Authors: Diego Perez-Liebana, Alexander Dockhorn, Jorge Hurtado Grueso, Dominik
Jeurissen
- Abstract要約: Strategaはターンベースおよびリアルタイム戦略ゲームを作成するためのフレームワークである。
このフレームワークは、統計的フォワードプランニング(SFP)エージェントに焦点を当てて構築されている。
我々は,このフレームワークとそのエージェントの開発が,戦略ゲームにおける複雑な意思決定プロセスの理解に役立つことを願っている。
- 参考スコア（独自算出の注目度）: 62.997667081978825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stratega, a general strategy games framework, has been designed to foster
research on computational intelligence for strategy games. In contrast to other
strategy game frameworks, Stratega allows to create a wide variety of
turn-based and real-time strategy games using a common API for agent
development. While the current version supports the development of turn-based
strategy games and agents, we will add support for real-time strategy games in
future updates. Flexibility is achieved by utilising YAML-files to configure
tiles, units, actions, and levels. Therefore, the user can design and run a
variety of games to test developed agents without specifically adjusting it to
the game being generated. The framework has been built with a focus of
statistical forward planning (SFP) agents. For this purpose, agents can access
and modify game-states and use the forward model to simulate the outcome of
their actions. While SFP agents have shown great flexibility in general
game-playing, their performance is limited in case of complex state and
action-spaces. Finally, we hope that the development of this framework and its
respective agents helps to better understand the complex decision-making
process in strategy games. Stratega can be downloaded at:
https://github.research.its.qmul.ac.uk/eecsgameai/Stratega
- Abstract（参考訳）: Strategaは一般的な戦略ゲームフレームワークであり、戦略ゲームのための計算知能の研究を促進するために設計された。
他の戦略ゲームフレームワークとは対照的に、Strategaはエージェント開発のための共通のAPIを使用してターンベースおよびリアルタイム戦略ゲームを作成することができる。
現在のバージョンはターンベースの戦略ゲームとエージェントの開発をサポートしますが、今後のアップデートでリアルタイム戦略ゲームのサポートを追加します。
柔軟性は、YAMLファイルを使用してタイル、ユニット、アクション、レベルを設定することで実現される。
そのため、ユーザは、ゲームに特別に調整することなく、開発エージェントをテストするための様々なゲームを設計、実行することができる。
このフレームワークは、統計的フォワードプランニング(SFP)エージェントを中心に構築されている。
この目的のためにエージェントはゲーム状態にアクセスして変更することができ、フォワードモデルを使用してアクションの結果をシミュレートすることができる。
sfpエージェントは一般的なゲームプレイにおいて非常に柔軟性があるが、複雑な状態やアクションスペースの場合の性能は限られている。
最後に,このフレームワークとそのエージェントの開発により,戦略ゲームにおける複雑な意思決定プロセスの理解を深めることが期待できる。
Stratega は https://github.research.its.qmul.ac.uk/eecsgameai/Stratega でダウンロードできる。
関連論文リスト
- Paths to Equilibrium in Games [6.812247730094933]
我々は、強化学習におけるポリシー更新に触発されたペアワイズ制約を満たす戦略の列について研究する。
我々の分析は、戦略的な更新を劣化させる報酬が、満足のいく道に沿って均衡に進むための鍵である、という直感的な洞察を明らかにした。
論文 参考訳（メタデータ） (2024-03-26T19:58:39Z) - Game Theoretic Rating in N-player general-sum games with Equilibria [26.166859475522106]
そこで我々は,N-playerに適した新しいアルゴリズムを提案する。
これにより、平衡のような確立された解の概念を利用でき、複雑な戦略的相互作用を持つゲームにおける戦略を効率的に評価することができる。
論文 参考訳（メタデータ） (2022-10-05T12:33:03Z) - Portfolio Search and Optimization for General Strategy Game-Playing [58.896302717975445]
ローリングホライズン進化アルゴリズムに基づく最適化とアクション選択のための新しいアルゴリズムを提案する。
エージェントのパラメータとポートフォリオセットの最適化について,N-tuple Bandit Evolutionary Algorithmを用いて検討する。
エージェントの性能分析により,提案手法はすべてのゲームモードによく一般化し,他のポートフォリオ手法よりも優れることが示された。
論文 参考訳（メタデータ） (2021-04-21T09:28:28Z) - Generating Diverse and Competitive Play-Styles for Strategy Games [58.896302717975445]
ターン型戦略ゲーム(Tribes)のためのプログレッシブアンプランによるPortfolio Monte Carlo Tree Searchを提案する。
品質分散アルゴリズム(MAP-Elites)を使用して異なるプレイスタイルを実現し、競争レベルを維持しながらパラメータ化する方法を示します。
その結果,このアルゴリズムは,トレーニングに用いるレベルを超えて,幅広いゲームレベルにおいても,これらの目標を達成できることが示された。
論文 参考訳（メタデータ） (2021-04-17T20:33:24Z) - Deep Policy Networks for NPC Behaviors that Adapt to Changing Design
Parameters in Roguelike Games [137.86426963572214]
例えばRoguelikesのようなターンベースの戦略ゲームは、Deep Reinforcement Learning(DRL)にユニークな課題を提示する。
複雑なカテゴリ状態空間をより適切に処理し、設計決定によって強制的に再訓練する必要性を緩和する2つのネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-12-07T08:47:25Z) - DeepCrawl: Deep Reinforcement Learning for Turn-based Strategy Games [137.86426963572214]
Deep CrawlはiOSとAndroid用の完全にプレイ可能なRogueライクなプロトタイプで、すべてのエージェントがDeep Reinforcement Learning (DRL)を使用してトレーニングされたポリシーネットワークによって制御される。
本研究の目的は、近年のDRLの進歩が、ビデオゲームにおける非プレイヤーキャラクターに対する説得力のある行動モデルの開発に有効であるかどうかを理解することである。
論文 参考訳（メタデータ） (2020-12-03T13:53:29Z) - Efficient exploration of zero-sum stochastic games [83.28949556413717]
ゲームプレイを通じて,ゲームの記述を明示せず,託宣のみにアクセス可能な,重要で一般的なゲーム解決環境について検討する。
限られたデュレーション学習フェーズにおいて、アルゴリズムは両方のプレイヤーのアクションを制御し、ゲームを学習し、それをうまくプレイする方法を学習する。
私たちのモチベーションは、クエリされた戦略プロファイルの支払いを評価するのにコストがかかる状況において、利用可能性の低い戦略を迅速に学習することにあります。
論文 参考訳（メタデータ） (2020-02-24T20:30:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。