Learning to play DCSS with Deep Reinforcement Learning

Detalhes bibliográficos
Autor(a) principal: Gonçalves, André Almeida
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/80297
Resumo: Dissertação de mestrado em Computer Science
id RCAP_9004cf068f4b5b05f76c3ee847a518cf
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/80297
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Learning to play DCSS with Deep Reinforcement LearningAprendendo a jogar DCSS com Deep Reinforcement LearningDungeon Crawler Stone SoupInteligência ArtificialAprendizagem por ReforçoDeep Reinforcement LearningArtificial InteligenceReinforcement LearningEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaDissertação de mestrado em Computer ScienceDCSS is a roguelike game in which the player must explore and find artifacts. In every step of the game, there are decisions to make, and the complexity of the game resides in the vast amount of options available to the player at any given time. The commands can be divided into classes such as movement, combat, inventory management and usage, spell casting, and divine abilities. We aim to implement an intelligent bot that will be able to play the game. To do so, we will use DRL. DRL is where deep learning and RL meets. It uses the same principles of RL, to learn to perform a task, receiving rewards for every action made. The difference is that the action we will perform is chosen by a DNN, and therefore, we call it DRL PyTorch[11] will be as the framework used to implement a NN that will be able to find the solution for every small decision that can be made during gameplay. If all of those decisions are merged, an intelligent bot should be able to play with some degree of success. The aim of the intelligent bot is to learn a task, which in this case, is playing the game, without programming any real behavior.DCSS é um jogo roguelike no qual o jogador deve explorar e encontrar artefactos. A cada passo do jogo existem decisões a tomar e a complexidade do jogo reside na grande quanti-dade de opções disponíveis para o jogar a cada momento do jogo. Os comandos podem ser divididos em desses como: movimento, combate, gestão e utilização de inventário, magia e abilidades divinas. O objetivo é implementar um bot inteligente capaz de jogar o jogo. Para tal usar-se-á DRL. DRL é a área onde deep learning e RL se encontram. Usa os mesmos princípios de RL, para aprender a realizar uma tarefa, recebendo uma recompensa por cada ação efetuada. A diferença é que a ação vai ser escolhida por uma DNN. Durante o projeto utilizar-se-à PyTorch[i i] como a framework para implementar uma NN que irá ser capaz de encontrar uma solução para cada pequena decisão que pode ser efetuada ao longo do jogo. Tomadas todas essas decisões, o bot deve ser capaz de jogar o jogo com algum grau de sucesso. O objetivo de um bot inteligente é aprender uma tarefa, neste caso, jogar o jogo, sem programar qualquer comportamento.Mendes, RuiUniversidade do MinhoGonçalves, André Almeida2019-122019-12-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/80297eng203024745info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:33:32Zoai:repositorium.sdum.uminho.pt:1822/80297Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:29:06.164511Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Learning to play DCSS with Deep Reinforcement Learning
Aprendendo a jogar DCSS com Deep Reinforcement Learning
title Learning to play DCSS with Deep Reinforcement Learning
spellingShingle Learning to play DCSS with Deep Reinforcement Learning
Gonçalves, André Almeida
Dungeon Crawler Stone Soup
Inteligência Artificial
Aprendizagem por Reforço
Deep Reinforcement Learning
Artificial Inteligence
Reinforcement Learning
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
title_short Learning to play DCSS with Deep Reinforcement Learning
title_full Learning to play DCSS with Deep Reinforcement Learning
title_fullStr Learning to play DCSS with Deep Reinforcement Learning
title_full_unstemmed Learning to play DCSS with Deep Reinforcement Learning
title_sort Learning to play DCSS with Deep Reinforcement Learning
author Gonçalves, André Almeida
author_facet Gonçalves, André Almeida
author_role author
dc.contributor.none.fl_str_mv Mendes, Rui
Universidade do Minho
dc.contributor.author.fl_str_mv Gonçalves, André Almeida
dc.subject.por.fl_str_mv Dungeon Crawler Stone Soup
Inteligência Artificial
Aprendizagem por Reforço
Deep Reinforcement Learning
Artificial Inteligence
Reinforcement Learning
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
topic Dungeon Crawler Stone Soup
Inteligência Artificial
Aprendizagem por Reforço
Deep Reinforcement Learning
Artificial Inteligence
Reinforcement Learning
Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
description Dissertação de mestrado em Computer Science
publishDate 2019
dc.date.none.fl_str_mv 2019-12
2019-12-01T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/80297
url https://hdl.handle.net/1822/80297
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 203024745
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132789388345344

Registros relacionados