{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2778307"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2778307","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Building a Reinforcement Learning A.I. for the Iterated Prisoner's Dilemma using Soar cognitive architecture","abstract":"Σε 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.","abstract_html":"Σε 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.","abstract_has_math":false,"creators":["Θωμάς Κωνσταντίνος","Thomas Konstantinos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2018,"date_issued":"2018","date_published":"2018","updated_at":"2026-11-19T05:31:49Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2778307"],"render_values":[{"text":"uoadl:2778307","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2778307","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2778307","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2778307","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Θωμάς Κωνσταντίνος","Thomas Konstantinos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2018"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2778307","https://pergamos.lib.uoa.gr/uoa/dl/object/2778307"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Σε 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.","This thesis involves the creation of an Artificial Intelligence agent that uses Reinforcement Learning (Q-Learning) in order to discern an optimal strategy to the game-theoretic Iterated Prisoner's Dilemma game. The agent is built using the Soar cognitive architecture and starts with sole knowledge of its two possible moves - Cooperation and Defection. Exploring the problem space, blindly at first by executing random moves, the A.I. agent quickly develops an intuition as of how the game is played through the Rewards it receives after each move. As more rounds go by, the agent starts realizing ways to handle the different opponents in order to maximize its payoff. Once its training is complete we examine how it fares compared to the top deterministic IPD strategy, Tit for Tat, which was the winner of both Axelrod’s tournaments. Eventually, we examine the aggregate preference that the agent heuristically developed, for each individual move and note how they contrast with the rules of known deterministic strategies."]},{"key":"dc:title","label":"Title","values":["Building a Reinforcement Learning A.I. for the Iterated Prisoner's Dilemma using Soar cognitive architecture"]}]}],"canonical_facts":{"dc:creator":["Θωμάς Κωνσταντίνος","Thomas Konstantinos"],"dc:date":["2018"],"dc:description":["Σε 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.","This thesis involves the creation of an Artificial Intelligence agent that uses Reinforcement Learning (Q-Learning) in order to discern an optimal strategy to the game-theoretic Iterated Prisoner's Dilemma game. The agent is built using the Soar cognitive architecture and starts with sole knowledge of its two possible moves - Cooperation and Defection. Exploring the problem space, blindly at first by executing random moves, the A.I. agent quickly develops an intuition as of how the game is played through the Rewards it receives after each move. As more rounds go by, the agent starts realizing ways to handle the different opponents in order to maximize its payoff. Once its training is complete we examine how it fares compared to the top deterministic IPD strategy, Tit for Tat, which was the winner of both Axelrod’s tournaments. Eventually, we examine the aggregate preference that the agent heuristically developed, for each individual move and note how they contrast with the rules of known deterministic strategies."],"dc:identifier":["uoadl:2778307","https://pergamos.lib.uoa.gr/uoa/dl/object/2778307"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Building a Reinforcement Learning A.I. for the Iterated Prisoner's Dilemma using Soar cognitive architecture"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:31:49Z"}