Ludii as a Competition Platform
Maastricht University(马斯特里赫特大学)
Ludii是一个通用游戏系统,作为ERC资助的数字Ludeme项目(DLP)的一部分正在开发中。虽然Ludii的主要目标是对传统策略游戏进行建模、游戏和分析,但它也有潜力支持广泛的人工智能研究课题和竞赛。本文描述了我们打算使用Ludii系统运行的一些未来竞赛和挑战,突出了它的一些最重要的方面,这些方面可能会导致许多算法改进和新的研究途径。我们将我们提出的竞赛动机、目标和框架与现有的一般游戏竞赛进行比较和对比,以解决每个平台的优势和劣势。
2019-06-29 cs.AI
Python Agent in Ludii
Instituto de Informática(信息学院);Universidade Federal do Rio Grande do Sul(南里奥格兰德联邦大学)
本文为Java通用游戏系统Ludii开发了Python智能体编程接口,通过jpy和Py4J两种库实现,并对Minimax和MCTS算法进行性能分析,发现jpy比Py4J更快但仍慢于原生Java智能体。
2024-12-18 cs.AI
Automatic Generation of Board Game Manuals
Maastricht University(马斯特里赫特大学)
在本文中,我们提出了一个过程中自动生成手册的棋盘游戏中的Ludii一般游戏系统。这个过程需要解决许多不同的子任务,例如Ludii游戏描述的英文翻译,移动可视化,突出显示获胜移动,策略解释等。然后将这些方面结合起来,为任何给定的游戏创建一个完整的手册。本手册旨在为游戏的规则和机制提供更直观的解释,特别是对于不太熟悉Ludii游戏描述语言和语法的玩家。
2021-09-20 cs.AI
Ludii and XCSP: Playing and Solving Logic Puzzles
Centre de Recherche en Informatique de Lens(朗斯计算机研究中心);Université d’Artois(阿尔图瓦大学);Maastricht University(马斯特里赫特大学)
许多著名的单人游戏,通常被称为拼图,可以被证明是NP完全的。事实上,这类复杂性包含数百个谜题,因为人们特别喜欢完成一个棘手的谜题,比如数独,但也喜欢在完成后轻松检查解决方案的能力。出于这个原因,使用约束编程自然适合于解决它们。在本文中,我们专注于逻辑谜题描述的Ludii一般的游戏系统,我们建议使用XCSP形式主义,以解决他们与任何CSP求解器。
2019-06-29 cs.AI
General Game Heuristic Prediction Based on Ludeme Descriptions
Maastricht University(马斯特里赫特大学)
本文研究了Ludii一般对策系统中不同一般对策策略的性能。基于这些结果,我们训练几个回归学习模型来预测这些基于每个游戏的描述文件的算法的性能。我们还提供了对Ludii中可用游戏的简要分析,以及定义它们的不同游戏。
2021-07-05 cs.AI
The Ludii Game Description Language is Universal
Maastricht University(马斯特里赫特大学);Université catholique de Louvain(天主教鲁汶大学);Flinders University(弗林德斯大学)
本文证明 Ludii 游戏描述语言具有通用性,将其表示能力从有限、确定性、完全可观察扩展式博弈扩展至有限非确定性与不完美信息博弈。
2024-06-12 cs.AI cs.GT
GAVEL: Generating Games Via Evolution and Language Models
New York University Tandon(纽约大学坦顿工程学院);ETH Zurich(苏黎世联邦理工学院);Flinders University(弗林德斯大学);UCLouvain(鲁汶大学);Maastricht University(马斯特里赫特大学)
本文提出 GAVEL,结合大型语言模型与进化计算,在 Ludii 游戏描述语言中智能变异、重组游戏代码,生成数据集规则空间之外的新颖可玩游戏。
2024-12-03 cs.AI
General Board Geometry
Maastricht University(马斯特里赫特大学)
在Ludii通用游戏系统中,游戏板由其底层图形描述,基于平铺、形状和图形运算符,具有重要属性的自动检测,例如图形元素之间的拓扑关系、方向和径向步骤序列。这种方法允许简单和简洁地描述大多数可想象的游戏板。
2021-11-22 cs.AI
Learning-Based Video Game Development in MLP@UoM: An Overview
The University of Manchester(曼彻斯特大学)
总的来说,电子游戏不仅在娱乐中占主导地位,而且已成为学习知识、获得技能和帮助医疗以及教育、职业/军事培训和医疗保健的替代方法。另一方面,电子游戏也为AI研究提供了理想的测试平台。然而,在很大程度上,视频游戏开发仍然是一个费力而昂贵的过程,并且从游戏生成到智能代理创建都存在许多技术挑战。与传统方法不同,在曼彻斯特大学的机器学习和感知实验室(MLP@UoM)中,我们提倡将机器学习应用于视频游戏开发中的不同任务,以系统地解决几个挑战。本文综述了MLP@UoM的主要研究进展,并展望了基于学习的视频游戏开发的未来研究方向。
2019-08-27 cs.AI cs.HC cs.LG
Predicting Customer Lifetime Value in Free-to-Play Games
IT University of Copenhagen(哥本哈根信息技术大学);Tactile Games(触觉游戏公司)
随着游戏公司越来越多地采用面向服务的商业模式,对玩家预测模型的需求变得更加迫切。诸如用户获取、实时游戏操作或游戏设计等多种活动都需要得到有关玩家所做选择以及他们未来可能做出的选择的信息的支持。这在免费游戏的背景下尤其如此,其中没有付费墙以及玩家的游戏和消费行为的不稳定性使得对收入以及预算和资源分配的预测极具挑战性。在本章中,我们将概述不同领域的客户生命周期价值建模,我们将介绍不同平台和类型的免费游戏所面临的挑战,我们将讨论最先进的解决方案,并提供实际示例和现有实施的参考。
2022-09-06 cs.AI
In the beginning was game semantics
本文概述了可计算性逻辑--交互式计算任务和资源的游戏语义构造逻辑。只有一个非概述,在它的技术部分,致力于证明健全的仿射逻辑方面的语义可计算性逻辑。有关该主题的全面在线资源可以在http://www.cis.upenn.edu/~giorgi/cl.html上找到
2008-10-24 cs.AI cs.LO math.LO
Reinforcement Learning Algorithms: An Overview and Classification
Western University(韦仕敦大学)
使应用程序和机器更加智能的愿望以及在没有人类交互的情况下实现其操作的愿望一直在推动神经网络,深度学习和其他机器学习技术的创新。虽然强化学习主要用于视频游戏,但最近的进步和各种强大强化算法的发展使强化学习社区能够从玩视频游戏转向解决自动驾驶汽车,无人机和自动机器人等自动系统中的复杂现实问题。了解应用程序的环境和算法的局限性对于选择适当的强化学习算法以有效的方式成功解决手头的问题起着至关重要的作用。因此,在这项研究中,我们确定了三种主要的环境类型,并根据这些环境类型对强化学习算法进行分类。此外,在每个类别中,我们确定算法之间的关系。每个算法的概述提供了对算法基础的深入了解,并回顾了算法之间的相似性和差异。这项研究提供了一个视角,并帮助从业者和研究人员为他们的用例选择合适的算法。
2022-09-29 cs.AI cs.LG
Multi-Agent Reinforcement Learning: A Selective Overview of Theories and Algorithms
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Princeton University(普林斯顿大学)
近年来,强化学习在解决机器学习中的各种顺序决策问题方面取得了巨大的成功。大多数成功的RL应用程序,例如,围棋和扑克、机器人和自动驾驶的游戏涉及多于一个单个代理的参与,其自然落入多代理RL(MARL)的领域,该领域具有相对较长的历史,并且最近由于单代理RL技术的进步而重新出现。虽然在经验上取得了成功,但在文献中,MARL的理论基础相对缺乏。在本章中,我们提供了一个选择性的概述MARL,重点是算法支持的理论分析。更具体地说,我们主要在两个代表性的框架,马尔可夫/随机游戏和扩展形式的游戏,根据他们解决的任务类型,即,完全合作,完全竞争,以及两者的混合。我们还介绍了这些算法的几个重要的,但具有挑战性的应用。正交现有的审查MARL,我们突出了几个新的角度和MARL理论的分类,包括学习的广泛形式的游戏,分散的MARL与网络代理,MARL在平均场制度,(非)收敛的基于政策的方法在游戏中学习,等一些新的角度推断,从我们自己的研究努力和兴趣。本章的总体目标是,除了对该领域的现状进行评估外,还要确定MARL理论研究的未来研究方向。我们希望本章能够继续激励那些对这个令人兴奋而又充满挑战的主题感兴趣的研究人员。
2021-04-28 cs.AI cs.LG cs.MA
From 'F' to 'A' on the N.Y. Regents Science Exams: An Overview of the Aristo Project
Allen Institute for Artificial Intelligence(艾伦人工智能研究所)
人工智能已经在国际象棋、围棋、扑克甚至危险边缘等游戏上取得了令人瞩目的成就,但丰富多样的标准化考试仍然是一个具有里程碑意义的挑战。即使在2016年,最好的人工智能系统在8年级科学考试中的成绩也只有59.3%。本文报道了8年级纽约摄政科学考试的空前成功,其中第一次一个系统得分超过90%的考试的非图表,多项选择(NDMC)的问题。此外,我们的Aristo系统,建立在最近的语言模型的成功,超过83%的相应等级12科学考试NDMC问题。在看不见的测试问题上,结果在不同的测试年份和这种测试的不同变化中是稳健的。他们证明,现代NLP方法可以导致对这项任务的掌握。虽然不是一般问答的完整解决方案(问题是多项选择,并且该领域仅限于8年级科学),但它代表了该领域的一个重要里程碑。
2021-02-02 cs.AI cs.CL
Future Research Avenues for Artificial Intelligence in Digital Gaming: An Exploratory Report
本报告概述了将深度学习等先进AI技术应用于数字游戏的五条前景研究路径,探讨了具体方法与技术挑战,旨在启发未来更严谨的AI与游戏交叉领域研究。
2024-12-18 cs.AI cs.HC cs.LG
The Shapley Value in Machine Learning
AstraZeneca(阿斯利康);The University of Edinburgh(爱丁堡大学);Toulouse School of Economics(图卢兹经济学院);Institute for Advanced Study in Toulouse(图卢兹高等研究院);Central European University(中欧大学)
在过去的几年里,Shapley值,一个来自合作博弈论的解决方案概念,在机器学习中有许多应用。本文首先讨论了合作对策论的基本概念和Shapley值的公理化性质。然后,我们给出了Shapley值在机器学习中最重要的应用:特征选择,可解释性,多智能体强化学习,集成修剪和数据估值的概述。我们研究的Shapley值的最重要的限制,并指出未来的研究方向。
2022-05-26 cs.AI cs.GT cs.LG