Pantheon Repositório Institucional da UFRJ
Coleta, preserva e divulga a produção acadêmica digital em todas as áreas do conhecimento.
São os ativos do repositório, além de teses e dissertações da UFRJ, artigos científicos, livros eletrônicos, capítulos de livros e trabalhos apresentados em eventos por professores, pesquisadores, funcionários administrativos e alunos de mestrado e doutorado.
Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/11422/25421| Tipo: | 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 |
| Orientador: | Silva, João Carlos Pereira da |
| Resumo: | 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. |
| Palavras-chave: | Inteligência artificial Aprendizado de máquina Aprendizado por reforço Jogos Aprendizado por reforço profundo Artificial intelligence Machine learning Reinforcement learning Games Deep reinforcement learning |
| Assunto CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
| Unidade produtora: | Instituto de Computação |
| Editora: | Universidade Federal do Rio de Janeiro |
| Data de publicação: | 11-Mar-2025 |
| País de publicação: | Brasil |
| Idioma da publicação: | por |
| Tipo de acesso: | Acesso Aberto |
| Aparece nas coleções: | Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| DRAlbuquerque.pdf | 1.35 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.
