使用深度 Q 学习的 AI 驱动蛇游戏

简介： 该项目基于强化学习，训练蛇吃环境中存在的食物。

下面给出了一个示例 gif，您可以了解我们将要构建的内容。

AI驱动的蛇

要了解我们如何使用 pygame 手动构建这个蛇 2D 动画模拟，请点击链接：

在构建基本的蛇游戏之后，现在我们将专注于如何将强化学习应用于它。

我们必须在这个项目中创建三个模块：

1. 环境（我们刚刚构建的游戏）
2. 模型（移动预测的强化模型）
3. 代理（环境和模型之间的中介）

模块链接

算法：

我们在棋盘上随机放置了蛇和食物。

• 使用 11 个值计算蛇的状态。如果有任何条件为真，则将该值设置为0，否则设置1。

如何定义 11 个状态

基于当前的 Head 位置代理将计算 11 个状态值，如上所述。

• 获得这些状态后，代理会将其传递给模型并执行下一步操作。

• 执行下一个状态后计算奖励。奖励定义如下：

  • 吃食物：+10
  • 游戏结束：-10
  • 其他：0

• 更新 Q 值（稍后将讨论）并训练模型。

• 在分析了算法之后，现在我们必须建立思想来继续编码这个算法。

该模型：

神经网络模型

该模型是使用 Pytorch 设计的，但您也可以根据自己的舒适度使用 TensorFlow。

我们正在使用具有11 大小输入层和具有 256 个神经元和3 个神经 元 输出的 密集层的密集神经网络 。 您可以调整这些超参数以获得最佳结果。

模型如何工作？

• 游戏开始，Q值随机初始化。
• 系统获取当前状态 s。
• 它基于 s，随机或基于其神经网络执行一个动作。在训练的第一阶段，系统经常选择随机动作来最大化探索。后来，该系统越来越依赖其神经网络。
• 当 AI 选择并执行动作时，环境会给予奖励。然后，代理到达新状态并根据贝尔曼方程更新其 Q 值。

<