强化学习-FlappyBird 游戏中的人工智能

最新推荐文章于 2023-03-22 01:27:44 发布
最新推荐文章于 2023-03-22 01:27:44 发布
阅读量3.4k 收藏 2
点赞数
分类专栏： 机器学习 文章标签： 强化学习 增强学习 Q learning
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/u013785405/article/details/88554252
版权

对应的视频课程永不坠落的小鸟

人工智能与机器学习

在这里插入图片描述
在这里插入图片描述
人工智能所解决的问题

  • 不是冒泡排序，二分查找
  • Simple for human， difficult for machine
    人工智能
  • Acting like human
  • 图灵测试
    机器学习
  • 人工智能的核心领域
  • 从例子中学习
    机器学习
  • 监督学习 （有标注）
  • 无监督学习 （无标注）
  • 增强学习
    监督学习
    在这里插入图片描述
    在这里插入图片描述

2 增强学习

简介
Reinforce learning，也称为强化学习
动物学习，参数扰动自适应控制等理论发展而来
吃一堑，长一智

分类

时序差分算法
Q学习算法

基本流程

Agent产生一个动作
环境接受该动作后状态改变
同时产生回报反馈给Agent
在这里插入图片描述
在这里插入图片描述
完备信息，非完备信息。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3 马尔科夫决策过程

在这里插入图片描述
马尔科夫链

  • 马尔科夫链(Markov Chain)，也称为马式链
  • 状态转移图就是一个简单的马尔科夫链
  • 数学定义 P ( X t + 1 = x ∣ X t , X t − 1 , . . . ) = P ( X t + 1 ∣ X t ) P(X_{t+1} = x | X_t,X_{t-1},...) = P(X_{t+1}|X_t) P(Xt+1​=x∣Xt​,Xt−1​,...)=P(Xt+1​∣Xt​)
  • 转移概率的状态只依赖于前一个状态

马尔科夫决策过程

  • 随机游走
  • 状态转移概率
  • 性质 平稳分布

在这里插入图片描述
平稳分布

  • 转移概率

社会阶层划分 下层 中层 上层
在这里插入图片描述
转移矩阵
在这里插入图片描述
矩阵连乘
在这里插入图片描述
马尔科夫系列产品

  • 马尔科夫决策过程
  • 隐形马尔科夫模型
  • 马尔科夫逻辑网
  • 马尔科夫随机场
  • 马尔科夫毯
  • 马尔科夫蒙特卡洛方法（MCMC）

马尔科夫决策过程
Markov Decision Process，MDP
决策分析、运筹学。控制论和经济学共同关注领域

MDP模型

  • 四元组（S,A,T,R）
  • S 为一个有限集，其中每个元素 s ∈ S s\in S s∈S 代表一个状态
  • A 为一个有限集，其中每个元素 a ∈ A a\in A a∈A 代表一个行动
  • T : S × A → T:S\times A \rightarrow T:S×A→
凌风清羽
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
RL-FlappyBird:使用强化学习训练FlappyBird
05-07
该项目是强化学习的基本应用。 它集成了以使用DQN来训练代理。 预训练模型在单个GPU上以3M步进行训练。 您可以找到解释培训过程的，或。 构建项目并运行 该项目支持使用Maven进行构建，您可以使用以下命令进行构建...
强化学习—DQN训练计算机玩Flappy Bird游戏
红雨瓢泼的博客
06-12 1万+
文章目录Q-Learning简述Deep Q Network(DQN)为什么要用DQNDQN中的几个巧妙的地方DQN流程简述 Q-Learning简述 Deep Q Network(DQN) 为什么要用DQN DQN中的几个巧妙的地方 DQN流程简述 Q Learning 就是创造一个Q表，来指导机器人的行动，Q表对应Action的数值越大，机器人就越大概率地采取这个Action. Q函数的更新方...
关于人工智能中强化学习的扫盲
喜欢打酱油的老鸟
03-15 2942
https://www.toutiao.com/a6666688293163237896/ 前言 对一个认知科学家来说，一个最基本的问题是“如何学习新知识？”。回答这样一个问题的idea是，人通过学习获得某种知识，或者拥有某一种技能。而对于机器而言，可以通过学习、训练去完成更多只有人能完成的任务，实现真正的人工智能。 虽然目前无法完全回答这个问题，但是有些事实是很清楚的：即在忽略ski...
【强化学习】----训练Flappy Bird小游戏
zijin-jdd的博客
03-22 3065
Flappy Bird游戏需要玩家控制一只小鸟越过管道障碍物。玩家只可以进行“跳跃”或者“不操作”两种操作，即点或不点。点则让小鸟上升一段距离，不点小鸟继续下降。若小鸟碰到障碍物或地面，则游戏失败。如今，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，使得机器学习模型可以直接学习概念，如直接从原始图像数据进行物体类别分类。深层卷积神经网络采用平铺分层卷积滤波器层来模拟视野接受域的影响，在处理计算机视觉问题上，如分类和检测问题，获得了很大成功。
用深度强化学习玩FlappyBird
热门推荐
思绪无限的博客
04-29 3万+
摘要：学习玩游戏一直是当今AI研究的热门话题之一。使用博弈论/搜索算法来解决这些问题需要特别地进行周密的特性定义，使得其扩展性不强。使用深度学习算法训练的卷积神经网络模型（CNN）自提出以来在图像处理领域的多个大规模识别任务上取得了令人瞩目的成绩。本文是要开发一个一般的框架来学习特定游戏的特性并解决这个问题，其应用的项目是受欢迎的手机游戏Flappy Bird，控制游戏中的小鸟穿过一堆障碍物。
OneFlow 实现强化学习玩 Flappy Bird 小游戏
OneFlow深度学习框架
08-19 640
点击蓝字 关注我们GitHub:https://github.com/Oneflow-Inc/oneflow（点击“阅读原文”，即刻进入 GitHub 仓库！）前言本文主要内容是如何用 O...
基于深度强化学习DQN的FlappyBird游戏AI开发 .zip
最新发布
04-10
【资源说明】 1、该资源包括项目的全部源码，下载可以直接使用！ 2、本项目适合作为计算机、数学、电子信息等专业的课程设计、期末大作业和毕设项目，作为参考资料...基于深度强化学习DQN的FlappyBird游戏AI开发 .zip
ai-flappy-bird:DQN飞扬的小鸟
04-29
《飞扬的小鸟》中的强化学习使用“玩具”库的遗传算法应用于使用p5.js构建的自定义软盘飞鸟版本入门看到-现场演示 或在本地运行： npm i -g ...在手机上工作 速度选择器 跑最好的鸟 使用tensorflow.js学分该项目建立在@...
人工智能导论课程设计-用强化学习玩FlappyBird.zip
03-18
人工智能（Artificial Intelligence，简称AI）是一种前沿的计算机科学技术，其核心目标是通过模拟、延伸和拓展人类智能来构建智能机器与系统。它融合了计算机科学、数学、统计学、心理学、神经科学等多个学科的知识...
Python详细了解强化学习算法并基于强化学习Q_learning让电脑玩flappy bird游戏
qq_42686550的博客
06-11 3862
首先，如果你是为了追求一个非常高的强化学习效果，也就是flappy bird的分数，那么建议出门右拐选择DQN，但是如果你是为了通过一个项目，想详细了解Qleaning的原理，以及如何建立一个强化学习的模型，那么你来对地方了。 本文的代码可在我个人的gitHub上找到完整版，由于代码较长文件较多，我这边这讲解跟算法相关的关键代码。完整代码请看：https://github.com/Connor666/flappy_bird-RL 首先感谢，flappy bird游戏Python代码制作人sourabhv本
强化学习完flappybird
06-05
使用DQN自动玩flappybird，最近，github上有人放出使用DQN玩Flappy Bird的代码，https://github.com/yenchenlin1994/DeepLearningFlappyBird【1】 该repo通过结合之前的repo成功实现了这个想法。这个repo对整个实现过程进行了较详细的分析，但是由于其DQN算法的代码基本采用别人的repo，代码较为混乱，不易理解。
用强化学习玩飞翔小鸟-播放Flappy Bird的AI程序.zip
03-27
该AI程序实现了多个AI代理来播放Flappy Bird。该计划应用强化学习技术，包括SARSA，Q学习和函数逼近。经过10,000次迭代的训练后，特工经常获得1400+的高分，最高游戏得分2069 该项目需要以下框架： Pygame：https：//www.pygame.org PyGame学习环境：https：//github.com/ntasfi/PyGame-Learning-Environment OpenAI体育馆：https ://gym.openai.com Gy-ple：https : //github.com/lusob/gym-ple PyTorch：https：//pytorch.org OpenCV：https：//opencv.org
Flappy-Bird-：用于Flappy Bird游戏的人工智能
02-13
飞扬的鸟 使用NEAT模型的Flappy Bird游戏的人工智能。 NEAT（神经网络的增强拓扑评估） 为何不依靠神经网络的固定结构，为什么不让它通过遗传算法进化呢？ 整洁是一种遗传算法。 神经网络参数： 输入： 鸟的位置 鸟到管道的距离1 鸟到管道的距离2 输出： 跳 不跳 激活函数：tanH（）（将值压缩在-1至+1之间） bais-高斯分布 （有关网络的更多详细信息，请参考config-feedforward.txt文件） NEAT实施： 鸟的数量：我们从产生50只随机鸟开始。 每个种群将由鸟类和控制每只鸟类的神经网络组成。 神经网络：它将从随机权重和随机偏差开始，然后它将测试我们游戏中的所有神经网络，并评估那里的适应度（鸟类在水平上进展了多远）。 它每前进而不死的每一帧都得到健身得分。 最后，当所有鸟类死亡时，将根据提及的接受百分比（本例中为2％）选择表现最佳的鸟类
机器学习应用——强化学习&课程总结 实例 “自主学习Flappy Bird游戏”（MDP&蒙特卡洛强化学习&Q-learning&DRL&DQN）
qq_51308373的博客
01-24 9267
前言 本篇将简要介绍强化学习的“自主学习Flappy Bird”实例 读完本篇，你将了解： 一、强化学习 1.相关概念 2.马尔可夫决策过程（MDP）（model base 模型） 3.蒙特卡洛强化学习 4.Q-learning算法 5.深度强化学习（DRL） 6.Deep Q Network(DQN) 二、自主学习Flappy Bird 1.程序基本框架（观察期、探索期、训练期） 2.动作选择模块 3.卷积神经网络-CNN 4.Tensorflow&openCV库 三、关于机器学习专栏的一点总结
人工智能-强化学习(2)
weixin_38498942的博客
09-29 987
一、简介 在本章中，我们将学习将深度神经网络与强化学习相结合的效果。如果你关注AI新闻，那么你可能会听说一些没有任何特定编程就AI无法完成的工作： 1）了解如何从原始图像像素播放atari 2）了解如何击败围棋冠军（巨大的分支因子） 3）机器人学习如何走路 所有这些成就都落在“强化学习”保护伞上，更具体的说就是“深度强化学习”。基本上，所有这些成就的实现不是由于新算法，而是由于更多数据和更强大的资源（GPU，FPGA，ASIC）。例子： 1）Atari：旧的Q学习算法，但使用CNN作为函数近似器（自198
深度有趣 | 21 从FlappyBird到DQN
weixin_34301307的博客
09-20 318
简介 介绍强化学习（Reinforcement Learning，RL）的概念，并用DQN训练一个会玩FlappyBird的模型 FlappyBird 这个游戏很多人都玩过，很虐，以下是一个用pygame重现的FlappyBird，github.com/sourabhv/Fl… 如果没有pygame则安装 pip install pygame 复制代码运行flappy.py即可开始游戏，如果出现按...
深度强化学习玩Flappybird代码运行笔记——Testing模式
越野者的博客
06-04 1437
1. 运行环境介绍 NVIDIA GTX 1070 Ubuntu 16.04 x64 CUDA 8.0.61 cuDNN 5.1 Python 3.4 TensorFlow 1.2.0 PyGame 1.9.4 OpenCV 3.1.0（opencv-3.1.0-np111py34_1.tar.bz2） OpenCV-Python for Python 3.4（opencv3-3.1.0-py3...
强化学习实战系列(2020最新)
08-28
强化学习系列课程主要包括经典算法原理讲解与案例实战两大部分。通俗讲解当下主流强化学习算法思想，结合实例解读算法整理应用流程并结合案例展开代码实战。整体风格通俗易懂，适合准备入门强化学习并进阶提升的同学们。
深度强化学习的人工智能在游戏中的运用：游戏AI入门及AI优化指南
woliuqiangdong的博客
09-14 2892
https://www.fgba.net/sitemap.xml
ppo强化学习flappy bird
05-05
PPO（Proximal Policy Optimization）是一种强化学习算法，可以用于训练游戏AI，如Flappy Bird。 Flappy Bird是一款简单但具有挑战性的游戏，玩家需要控制小鸟穿过各种障碍物，每穿过一个障碍物就会得分。在PPO中，我们可以将小鸟作为智能体，游戏中的状态、动作和奖励可以用来训练智能体。 首先，我们需要定义状态空间，即游戏中的各种情况，如小鸟的位置、速度、障碍物的位置等。然后，我们需要定义动作空间，即小鸟可以采取的行动，如向上飞或保持不动。最后，我们需要定义奖励函数，用于评估智能体的表现，如每穿过一个障碍物得到一定的奖励，碰到障碍物则得到负奖励。 接下来，我们可以使用PPO算法对智能体进行训练。PPO算法采用策略梯度方法，通过反向传播优化策略网络，使得智能体可以根据当前状态选择最优的动作。 在训练过程中，我们可以使用神经网络来表示策略网络，将当前状态作为输入，输出对应的动作概率。然后，我们可以使用采样方法来选择动作，并根据奖励函数计算损失，最后使用梯度下降法更新策略网络。 需要注意的是，训练过程可能会非常耗时，需要进行大量的试错和调参。同时，为了避免过拟合和局部最优解，我们需要采用一些技巧，如使用多个环境并行训练、添加噪声等。 总之，PPO算法可以用于训练Flappy Bird游戏AI，但需要进行大量的工作和尝试。

“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