Skip to content

Home

Jump to bottom
Xin edited this page Aug 27, 2021 · 102 revisions

Hits

右边列表wiki是收录的paper(重要的事情讲三遍)

右边列表wiki是收录的paper(重要的事情讲三遍)

右边列表wiki是收录的paper(重要的事情讲三遍)

Welcome to the GameAI-paper-list wiki! Please look at the right list, this is the home page.
小伙伴们可以点右边列表里的链接去相应的wiki，因为可能后期会做分类，这里是主页。后期看反应会决定做不做一些基础算法的教学~

为什么要研究游戏AI呢：

因为它很有趣~!!!!:P
因为游戏中的问题是现实问题的折射
由于游戏的算法永远不会被单单的几种算法所束缚

反馈或希望参与运维的可以发送至个人邮箱mail address：Yexin_jinqiangyutaisui@outlook.com

个人感觉去看游戏AIpaper之前应该具备的一些知识如下：

  • 机器学习（Machine Learning）：如果没有机器学习基础，去看paper会很吃力，至少要对机器学习中的名称要敏感，这样也好在遇到不懂的算法时去查看知识。强烈推荐不懂或补充知识的时候看英文书Machine Learning A Probabilistic Perspective by Kevin P. Murphy（虽然手上有电子书，但是害怕发出来会有侵权，想要的发邮件给我吧），中文的入门推荐看去b站上看吴恩达的视频
  • 深度学习模型（DeepLearning）：如果机器学习可以似懂非懂的来接触，那深度学习必要基础应该是必备的，主要是目前深度强化学习的应用，以及游戏场景生成中深度学习的应用。必要的模型CNN、DNN、GAN，其余的可以遇到后再返回去看模型。
  • 强化学习（Reinforcement Learning）：强化学习的发展历史可以说是很长了，主要是通过在迭代中不断反馈下一阶段的reward来更新agent的policy。这对于学习游戏AI的朋友来说绝对是必备知识了，想学习的推荐b站中文视频，书籍《白话强化学习》，有兴趣也推荐看一下我的老师paulo rauber的博客（滑稽脸），再附上外国小哥higgsfield的深度强化学习DQN等网络的pytorch实现
  • 蒙特卡洛树搜索（Monte Carlo Tree Search(MCTS)）:这可能是游戏有区别于人工智能其余领域的知识，在棋牌类游戏中蒙特卡洛树搜索被广泛应用，Alphago就是DL与MCTS的结合，想学习的朋友可以看这篇paper，Browne CB, Powley E, Whitehouse D, Lucas SM, Cowling PI, Rohlfshagen P, Tavener S, Perez D, Samothrakis S, Colton S. A survey of monte carlo tree search methods. IEEE Transactions on Computational Intelligence and AI in games. 2012 Feb 3;4(1):1-43.
  • 演化算法（evolutionary algorithm）：同蒙特卡洛搜索树，演化算法相较而言可能更容易理解，演化算法是演化计算领域一个重要算法，该算法在游戏生成器和战斗AI领域有大量的应用，不同于基于梯度的局部优化方法，EA是全局优化方法，在AlphaStar(谷歌用来打星际的agent)里用到了大量的演化计算思想，推荐看我导师Diego的这篇paper，Gaina RD, Devlin S, Lucas SM, Perez D. Rolling horizon evolutionary algorithms for general video game playing. IEEE Transactions on Games. 2021 Feb 18.

附一张老师ppt上的图片 [Solver]

再是一些特别重要书本/paper/知识我放在首页

Yannakakis G N, Togelius J. Artificial intelligence and games[M]. Springer, 2018.
Artificial Intelligence and games
堪称游戏AI算法的圣经《Artificial Intelligence and games》，小编对这本书推崇至极，还是推荐读英文：pdf传送门 Artificial Intelligence and games-cn
中文版名为《人工智能与游戏》，暂无pdf链接，可以去淘宝上下单购买

  • Mnih, Volodymyr, Koray Kavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, and Martin Riedmiller. "Playing atari with deep reinforcement learning." arXiv preprint arXiv:1312.5602 (2013).
    arxiv链接：https://arxiv.org/abs/1312.5602
    这篇paper是(Deep Q-learning Networdk)DQN的发表paper，是任何一个强化学习学习者必读的paper~

  • Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, and Illia Polosukhin. "Attention is all you need." In Advances in neural information processing systems, pp. 5998-6008. 2017.
    pdf链接：https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf
    这篇paper即大名鼎鼎的Transformer奠基之作，attention在CV，语音，NLP等各个DL领域已经广泛应用而且是目前的主流趋势，在游戏AI领域，attention最近也涌现出了各式各样的模型应用。虽然这一篇没有讲游戏应用，但是对AI学习者来讲看一下绝对是有必要的。

  • LSTM(Long Short term menmory)
    因为原文真的很长，这里推荐陈诚大神写的知乎专栏,写的真的很清晰，推荐不了解LSTM的小伙伴去看看~

  • AC框架(Actor-Critic)
    AC框架是目前较主流的强化学习结构，输出策略与分数，推荐去看知乎白话强化学习,还有突然发现的刘建平老师的宝藏教程，再附上国外小哥higgsfield写的pytorch的全代码实现，包括ppo等

  • Schulman J, Wolski F, Dhariwal P, et al. Proximal policy optimization algorithms[J]. arXiv preprint arXiv:1707.06347, 2017.
    也是大名鼎鼎的PPO算法，基础的损失函数改进支持off-policy的强化学习，并使其性能提升巨大，目前该算法已经是openAI的baseline算法。
    看完原文之后推荐看知乎大神魏思齐写的PPO详解

  • 模拟学习（imitation learning） 为了使agent在游戏的过程中表现得和人类玩家类似，模拟学习是目前国内游戏公司的主要应用研究方向之一，中文版推荐阅读由南京大学，香港中文大学（深圳）的许天，李子牛，俞扬撰写的《模拟学习简洁教程》，首页放有pdf，传送门链接。

Clone this wiki locally