Reinforcement Learning pro hraní karetních her

Abstract

Tato práce se zabývá analýzou různých reinforcement learning metod v prostředí karetních hrách pro více hráčů, charakterizovány akčními kartami, vyšší náhodností a komplexitou. Rozdělíme je do tří skupin - na bázi teorie her, TD učení (DQN) a Monte Carlo metody (DMC). Budeme diskutovat použitelnost teorie her na toto prostředí, implementujeme DQN a DMC pro reprezentaci posledních dvou skupin a analyzujeme jejich chování. Ukážeme, že z těchto tří skupin, jsou Monte Carlo metody jsou ty jediné prakticky aplikovatelná pro tento typ prostředí.

In this thesis we will analyze different reinforcement learning methods in multi-player card games, characterized by action cards, higher randomness and complexity. We will divide them into three groups - game theory based, TD learning (DQN) and Monte Carlo methods (DMC). We will discuss applicability of game theory in this environment, implement DQN and DMC to represent the last two groups and analyze their behaviour. We will show that of the three groups, Monte Carlo methods are the only ones practically applicable for this type of environment.