National and Kapodistrian University of Athens
Building a Reinforcement Learning A.I. for the Iterated Prisoner's Dilemma using Soar cognitive architecture
Abstract
dc:descriptionΣε αυτή την εργασία φτιάχνουμε ένα πρόγραμμα Τεχνητής Νοημοσύνης το οποίο χρησιμοποιεί Ενισχυτική Μάθηση (Q-Learning) προκειμένου να καταλήξει σε μια αποτελεσματική λύση του επαναλαμβανόμενου Διλήμματος του Φυλακισμένου. Για την κατασκευή του προγράμματος χρησιμοποιούμε την Γνωστική Αρχιτεκτονική Soar. Το πρόγραμμα ξεκινάει το παιχνίδι με μόνη γνώση για τον κόσμο την ύπαρξη των δύο δυνατών κινήσεων του - Συνεργασία ή Προδοσία - και καμία περαιτέρω πληροφορία για τους κανόνες του παιχνιδιού. Καθώς το παιχνίδι εξελίσσεται, το πρόγραμμά μας, κάνοντας αρχικά τυχαίες κινήσεις, πολύ σύντομα αρχίζει να καταλαβαίνει πως να παίξει, μέσω των πόντων που λαμβάνει ως επιβράβευση. Καθώς οι γύροι εκτυλίσσονται, η κατανόηση του ξεπερνάει πια απλώς τους κανόνες του παιχνιδιού και αρχίζει να αναπτύσσει στρατηγικές για το πως να αντιμετωπίσει κάθε διαφορετική αντίπαλη στρατηγική, προκειμένου να αποσπάσει οσο το δυνατόν περισσότερους πόντους απο αυτήν. Αφού το πρόγραμμα μας παίξει μερικές δεκάδες χιλιάδες γύρους, συγκρίνουμε την απόδοσή του με αυτή της πιο αποτελεσματικής γνωστής στρατηγικής του επαναλαμβανόμενου Διλήμματος του Φυλακισμένου - της στρατηγικής Tit for Tat - νικήτρια και των δύο τουρνουά του καθηγητή Axelrod. Τέλος, αναλύουμε την ευριστική στρατηγική στην οποία το πρόγραμμα μας κατέληξε ως την πιο αποτελεσματική και την αντιπαραθέτουμε με τις γνωστές ντετερμινιστικές στρατηγικές του παιχνιδιού.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Θωμάς Κωνσταντίνος
- Thomas Konstantinos
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:2778307