基于强化学习的智能博弈系统的设计与实现开题报告

1. 研究目的与意义（文献综述包含参考文献）

文 献 综 述文 献 综 述一、引言2016年，随着alphago以四胜一负的成绩击败围棋世界冠军李世石，强化学习，特别是深度强化学习方法，在世界范围内引起了巨大的轰动，引起了全世界的关注[1]。

深度强化学习(deep reinforcement learning: drl)通过端对端(end-to-end)的学习方式，实现从原始输入到输出的直接控制，广泛应用于处理高维度原始输入数据，并进行控制决策的任务中。

在博弈类游戏[2]中使用机器学习算法训练的程序最早的是 td-grammon[3]。

2. 研究的基本内容、问题解决措施及方案

一、 本课题要研究或解决的问题1、 学习和掌握python语言及开源机器学习库pytorch的基本使用方法；2、 学习和掌握强化学习中的q-leaning算法，特别是dqn算法；3、 利用pytorch框架，编写相关算法的实现程序；4、 针对特定的游戏，编写相关程序，将算法应用于程序控制，实现游戏博弈的智能控制；5、 进行成果展示，完成学位论文的撰写。

二、 拟采用的研究手段（途径）1、 查阅相关文献掌握机器学习中的q-learning和dqn算法， 熟悉其基本原理以及相关算法实现。

2、针对贪吃蛇游戏规则和特点，搭建游戏环境，选择算法模块，设计可以进行自我学习的贪吃蛇系统，无须人为干预，可以通过强化学习，获得更高的分数。