Pantheon Repositorio Institucional
Recopila, preserva y difundi la producción académica digital en todas las áreas del conocimiento.
Comprende los activos del repositorio, además de tesis y disertaciones en la UFRJ, artículos científicos, libros electrónicos, capítulos de libros y trabajos presentados en eventos para los profesores, investigadores, personal administrativo y estudiantes de maestría y doctorado.
Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/11422/25421| Especie: | Trabalho de conclusão de graduação |
| Título : | Aprendizado por reforço para treinamento de agentes em jogos de estratégia em tempo real |
| Autor(es)/Inventor(es): | Albuquerque, David Rodrigues |
| Tutor: | Silva, João Carlos Pereira da |
| Resumen: | 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. |
| Materia: | Inteligência artificial Aprendizado de máquina Aprendizado por reforço Jogos Aprendizado por reforço profundo Artificial intelligence Machine learning Reinforcement learning Games Deep reinforcement learning |
| Materia CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
| Unidade de producción: | Instituto de Computação |
| Editor: | Universidade Federal do Rio de Janeiro |
| Fecha de publicación: | 11-mar-2025 |
| País de edición : | Brasil |
| Idioma de publicación: | por |
| Tipo de acceso : | Acesso Aberto |
| Aparece en las colecciones: | Ciência da Computação |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| DRAlbuquerque.pdf | 1.35 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.
