解读《Superhuman AI for multiplayer poker》

最新推荐文章于 2023-12-07 23:55:09 发布
VIP文章 最新推荐文章于 2023-12-07 23:55:09 发布
阅读量968 收藏 7
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ohhhahhh/article/details/111506220
版权

目录

引言

为什么poker能成为AI和博弈论领域要挑战的问题？因为人们可以优雅且高效的从poker中捕捉隐藏信息。并且针对多人牌局的AI被认为是下一阶段的重点。

多人博弈理论与实际的挑战

目前AI在游戏领域取得成绩均是基于双人零和博弈(整体的利益不会改变，要么你赢我输，要么我赢你输)，AlphaGo就是基于双人零和博弈。在双人零和博弈中，应用那是均衡策略至少可以保证不输，基于双人零和博弈的AI 算法就是去寻找纳什平衡。找到一个基于三人或者更多人零和博弈的纳什平衡是非常困难的（理论上接近纳什平衡也是很困难的）。如果每个玩家单独计算找到纳什平衡，玩家联合起来的策略可能就不是一个纳什平衡。例如下面的Lemonade Stand Game：
Lemonade Stand Game
在游戏中，每个玩家都要在这个环上找到一点离其他成员尽可能地远。左图表示了四个玩家，每个颜色代表了他们的一个纳什平衡，处于纳什平衡的玩家均匀的分布在环上。右图表示如果他们独立寻找纳什平衡，那么玩家的

最低0.47元/天 解锁文章
别叫我吴彦祖
关注
  • 1
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
A New Frontier for AI Research 1902.00506v1.pdf
08-21
From the early days of computing, games have been important testbeds for studying how well machines can do sophisticated decision making. In recent years, machine learning has made dramatic advances with artificial agents reaching superhuman performance in challenge domains like Go, Atari, and some variants of poker. As with their predecessors of chess, checkers, and backgammon, these game domains have driven research by providing sophisticated yet well-defined challenges for artificial intelligence practitioners. We continue this tradition by proposing the game of Hanabi as a new challenge domain with novel problems that arise from its combination of purely cooperative gameplay and imperfect information in a two to five player setting. In particular, we argue that Hanabi elevates reasoning about the beliefs and intentions of other agents to the foreground. We believe developing novel techniques capable of imbuing artificial agents with such theory of mind will not only be crucial for their success in Hanabi, but also in broader collaborative efforts, and especially those with human partners. To facilitate future research, we introduce the open-source Hanabi Learning Environment, propose an experimental framework for the research community to evaluate algorithmic advances, and assess the performance of current state-of-the-art techniques. Keywords: multi-agent learning, challenge paper, reinforcement learning, games, theory of mind, communication, imperfect information, cooperative
Poker II 使用說明書(V1.10)
11-20
Poker II 使用說明書(V1.10),kbt最美键盘。
Superhuman AI for multiplayer poker
09-01
Superhuman AI for multiplayer poker 在Science刊登的13页完整原版。Noam Brown的新作。
PokerRL：扑克中多智能体深度强化学习的框架
02-04
扑克RL 扑克游戏中的多智能体深度强化学习框架。 背景 解决不完善的信息游戏的研究主要围绕直到最近才遍历整个游戏树的方法（例如，请参见 ， ， ）。 神经虚拟自我播放（NFSP） ，后悔策略梯度（RPG） ，深反事实后悔最小化（Deep CFR） 和单深CFR 等新算法最近将深（强化）使用常规方法（例如CFR和虚拟游戏）进行学习，以仅在访问游戏状态的一小部分时即可了解近似的纳什均衡。 PokerRL框架 PokerRL算法的组成部分 您的算法由相互交互的工作人员（绿色）组成。 训练运行的参数通过TrainingProfile的实例（ .../rl/base_cls/Training
Superhuman AI for heads-up no-limit poker Libratus beats top professionals.pdf
12-24
Superhuman AI for heads-up no-limit poker Libratus beats top professionals.pdf
Monte Carlo Counterfactual Regret Minimization
不荒废现在，不畏惧未来！
06-01 1008
Monte Carlo Sampling for Regret Minimization in Extensive Games（MCCFR）
Pluribus cfr博弈论实战德州(5) mccfr和discount（占位符草稿粗版后续再校对修改）
spacetrotter1的博客
12-07 380
这里列出mccfr（左边）和cfr（右边）的对比，cfr无论是自己还是对手都会遍历所有动作，计算regret时会乘对手到达概率，mccfr则对于对手会从对手动作里面抽样不会遍历全树，而且更新regret时不用乘以对手reachprob。训练出的策略对比gto wizard推荐的btn位置的策略区别，发现双方基本都游戏44%左右的牌，我们训练出的策略差在存在limp，论文也是在七天的时候limp情况才消失的，可是我们老版本已近训练了两个月，后面会专门找一章聊聊如何加速。可以对比cfr的更新公式。
虚拟遗憾最小化（CFR）与强化学习(RL) 的异同点
不荒废现在，不畏惧未来！
08-07 1266
虚拟遗憾最小化（CFR）是一种在不完全信息博弈中寻找纳什均衡的算法。它主要出现在扩展式博弈的环境里，这是一个不完全信息博弈框架。 强化学习（RL）更倾向于使用马尔科夫决策过程（MDPs）框架，这两种框架比较相似，但信息大都是完全的（然而它有时被扩展到处理部分可观察马尔科夫决策过程（POMDPs））。 CFR与传统的RL算法的不同之处在于，它并不试图使预期收益最大化。而是希望把可利用度最小化。石头剪刀布是一个很好的例子。CFR会学会在各种选项之间随机挑选，因此一般会找到折中的策略。传统的RL算法会试图利用对手
专业解析：AI在多人无限注德州扑克超越人类表现｜最佳表现算法
九三智能控
07-17 1352
的今天，你AI了没？关注：决策智能与机器学习，学点AI干货编者按：AI打牌取得新突破，在德扑多人无限注任务中超过人类表现，之前最佳表现为两人无限注任务。本次突破所提出的...
Superhuman AI for heads-up no-limit poker_translate_CN.pdf
10-13
德州扑克是最受欢迎的扑克形式。尽管人工智能在完美信息游戏方面取得了成功，但私人信息和大规模的游戏 树使得无限制的扑克难以解决。我们展示了一种人工智能，在一场12万人的比赛中，该人工智能击败了四位领 先的顶级人类专业人士，这是不完美信息游戏解决的领先基准和长期存在的挑战问题。我们的博弈论方法具有 应用程序的特性 独立技术：一种计算整体策略蓝图的算法，一种展示在游戏过程中达到的子游戏策略细节的算法，以及一种自 我改进算法，可以修复对手在蓝图策略中发现的潜在弱点。
slumbot2019:CFR的实现，用于解决各种类似Holdem的扑克游戏
05-04
Slumbot2019 反事实后悔最小化（CFR）的实现，用于解决各种类似Holdem的扑克游戏 特征 同时支持CFR +和MCCFR。 支持解决残局 支持创建纸牌和投注抽象 支持面对面的评估和真实的游戏最佳响应 支持多人 教程 先决条件 您应该具有支持C ++ 17的gcc版本。已知可以使用gcc 7.3。 默认情况下，各种程序将从当前目录读取和写入。 如果不希望这样做，请在src / files.cpp中的Files :: Init（）中编辑路径。 有时，我会将“静态”文件保留在与“ cfr”文件不同的目录中，但这不是必需的。 从顶层构建所需的任何二进制文件。 例如： make bin/build_hand_value_tree CFR + 一个使用两街游戏的简单示例解决了一个小的下注抽象和一个没有纸牌抽象的问题。 cd runs ../bin/build_hand_va
Superhuman AI for heads-up no-limit poker 高清源版.pdf
10-13
论文链接：http://science.sciencemag.org/content/early/2017/12/15/science.aao1733/tab-pdf Libratus 提出了一种在大型状态空间、隐藏信息中有效地解决博弈论推理挑战的方法。我们开发的技术在很大程度上是独立于域的，因此可被应用于其他策略性不完美信息交互，包括非娱乐性应用。由于现实世界策略交互中的隐藏信息无处不在，我们认为 Libratus 引入的范式对 AI 的未来发展和广泛应用将非常重要。
Science论文解读：打牌一时爽，一直打牌一直爽
Paper weekly
10-05 1359
作者丨王曲苑学校丨西南大学博士生研究方向丨人工智能、边缘计算近些年来，AI 取得长足进步的同时，游戏一直伴随其左右，不论是Dota、星际、围棋还是德州扑克都成为检验其发展...
Counterfactual regret minimization
不荒废现在，不畏惧未来！
04-15 903
在github上看到一位博主写的很不错，原网址 Counterfactual regret minimization（下称CFR）是目前针对不完全信息博弈问题的一类主流求解方法，在棋牌类游戏中有较为广泛和成功的应用。理解这类算法的思路和性质，将有助于后续对一般的不完全信息博弈问题的研究。在这篇文章中，我将对近期对CFR的学习做一个简单的整理，便于后续回顾。内容主要包括： 对原始的CFR算法及其经典变种的简单实现，以及实现过程中遇到的一些问题点和注意点； 对CFR算法思路的一些个人理解，以及后续拓展方向的思考
博弈对抗游戏AI的技术方法的一些总结和思考
Faith_Plus的博客
01-19 7637
主要分类为四种游戏模式：棋盘游戏AI、纸牌游戏AI、FPS游戏AI、RTS游戏AI。 棋牌游戏AI AlphaGo是最基础的一个游戏AI，因此主要了解AlphaGo的基本原理。简单概括为： 在MCTS的框架下引入两个卷积神经网络policy network和value network以改进纯随机的Monte Carlo模拟，并借助监督学习和强化学习训练这两个网络。 结合AlphaGo讲解MCTShttps://blog.csdn.net/weixin_39878297/article/detail
MindSpore：一文带你入门虚拟遗憾最小化CFR算法
skytttttt9394的博客
08-11 1715
本文使用通俗方式介绍CFR算法思想和发展脉络，适用于初学者的入门指南。]近期会上线DeepCFR算法，有兴趣进一步了深入了解算法的读者欢迎移步围观。最后插入一波广告：MindSpore Reinforcement是一个开源的强化学习框架，为强化学习算法提供了干净整洁的API抽象，将算法与部署和执行进行解耦，包括异构加速器、并行度和跨worker集群部署，欢迎大家Star，fork、共同开发。...
德州扑克AI核心算法CFR在量化交易中的探索应用
九三智能控
05-02 2297
今天，你AI了没？关注：决策智能与机器学习，每天学点AI干货最佳策略求解是决策的核心，纳什均衡解是后悔值最小的理想策略，德州扑克AI代表了目前在非完备信息动态博弈问题中的...
基于关键词搜索结果的微博爬虫（下载即用）.zip
最新发布
05-21
基于关键词搜索结果的微博爬虫（下载即用）.zip本项目适合计算机相关专业(如软件工程、计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，当然也适合小白学习进阶。如果基础还行，可以在此代码基础上进行修改，以实现其他功能。 基于关键词搜索结果的微博爬虫（下载即用）.zip本项目适合计算机相关专业(如软件工程、计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，当然也适合小白学习进阶。如果基础还行，可以在此代码基础上进行修改，以实现其他功能。 基于关键词搜索结果的微博爬虫（下载即用）.zip本项目适合计算机相关专业(如软件工程、计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，当然也适合小白学习进阶。如果基础还行，可以在此代码基础上进行修改，以实现其他功能。 基于关键词搜索结果的微博爬虫（下载即用）.zip本项目适合计算机相关专业(如软件工程、计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，当然也适合小白学习进阶。如果基础还行，可以在此代码基础上进行修改
某游戏中有神、魔、人三方，三方都有实力强大的超级英雄： 超神 S、超魔 M、超人 R，S/M/R 功能不同，但有相同特性，如超级英雄每方至多只能造出一个，牺牲后可以再造。请用Java设计实现上述需求。
05-30
super("SuperHuman", "possess extraordinary abilities"); } } ``` 在这个实现中，我们定义了一个SuperHero类，它包含了超级英雄的基本属性和方法。其中，构造函数用于初始化超级英雄的名字和功能，sacrifice...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值