Reinforcement learning s aplikací ve hrách

Abstract

Cílem této práce je analýza a ověření metod přístupů užívaných v rámci reinforcement learning s aplikací ve hrách. První část práce je věnována teoretickému úvodu do problematiky včetně popisu jednotlivých metod, které jsou následně implementovány v praktické úloze. Té je věnována druhá část práce. Experimenty jsou prováděny v aplikaci vyvinuté v programovacím jazyce Python. Vizualizaci herního prostředí realizuje framework PyGame. Framework PyTorch zpřístupňuje práci s umělými neuronovými sítěmi. Podstatou aplikace je sběr mincí v prostředí připomínajícím bludiště. Závěr práce shrnuje zjištěné pozorování a vyhodnocuje experimenty provedené s jednotlivými metodami, jejichž výsledky jsou reprezentovány především pomocí grafů průběhu odměny získané agentem.

The aim of this thesis is to analyse and validate the methods of approches used in reinforcement learning with application in games. The first part of the thesis describes the theoretical introduction to reinforcement learning, including a description of individual methods that are implemented as part of the practical task. The second part of the thesis is dedicated to the implementation task. Experiments are performed in an application developed in the Python programming language. The PyGame framework is used for the purpose of visualising the game environment. Working with artificial neural networks is handled using the PyTorch framework. The essence of the application is to collect coins generated in a maze-like environment. The conclusion of the thesis summarizes the observations and evaluates the experiments performed with individual methods, the results of which are represented by graphs of the reward obtained by the agent.