Pantheon Institutional repository
Collect, preserve and disseminate digital academic production in all areas of knowledge.
Comprise the assets of the repository, in addition to theses and dissertations at UFRJ, scientific articles, electronic books, book chapters and papers presented at events for teachers, researchers, administrative staff and students of master's and doctoral degrees.
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11422/25421| Type: | Trabalho de conclusão de graduação |
| Title: | Aprendizado por reforço para treinamento de agentes em jogos de estratégia em tempo real |
| Author(s)/Inventor(s): | Albuquerque, David Rodrigues |
| Advisor: | Silva, João Carlos Pereira da |
| Abstract: | Este trabalho de pesquisa concentra-se numa revisão teórica e aplicação do aprendizado por reforço profundo (DRL) para treinar agentes em jogos de estratégia em tempo real, com o StarCraft II como cenário principal de estudo. O aprendizado por reforço é uma abordagem do campo de aprendizado de máquina que envolve a interação entre agentes e ambientes, com o objetivo de maximizar recompensas ao longo do tempo. O contexto da pesquisa aborda a natureza desafiadora dos jogos de estratégia em tempo real, onde os jogadores enfrentam decisões em tempo real, coordenação de unidades, gerenciamento de recursos e adaptação a estratégias adversárias. O StarCraft II, um dos jogos de estratégia em tempo real mais complexos e populares, oferece um ambiente de jogo ideal para explorar o potencial da área. Esse ambiente é caracterizado por sua complexidade, incerteza e diversidade, tornando-o um campo de teste valioso para algoritmos de DRL. O objetivo deste estudo é capacitar agentes a tomar decisões autônomas e estratégicas em um ambiente altamente complexo e dinâmico, como o StarCraft II. Serão realizados experimentos modelando o jogo, definindo funções de recompensa e experimentando diferentes parâmetros para os algoritmos descritos, buscando analisar sua eficiência e desafios específicos associados à aplicação do DRL em jogos de estratégia em tempo real e identificar oportunidades para pesquisas futuras nessa área. |
| Keywords: | Inteligência artificial Aprendizado de máquina Aprendizado por reforço Jogos Aprendizado por reforço profundo Artificial intelligence Machine learning Reinforcement learning Games Deep reinforcement learning |
| Subject CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
| Production unit: | Instituto de Computação |
| Publisher: | Universidade Federal do Rio de Janeiro |
| Issue Date: | 11-Mar-2025 |
| Publisher country: | Brasil |
| Language: | por |
| Right access: | Acesso Aberto |
| Appears in Collections: | Ciência da Computação |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| DRAlbuquerque.pdf | 1.35 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
