Learning to play DCSS with Deep Reinforcement Learning
Autor(a) principal: | |
---|---|
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 |