Aprendizado por reforço para treinamento de agentes em jogos de estratégia em tempo real

Albuquerque, David Rodrigues

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/25421

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Silva, João Carlos Pereira da	-
dc.contributor.author	Albuquerque, David Rodrigues	-
dc.date.accessioned	2025-03-23T18:32:21Z	-
dc.date.available	2025-03-25T03:00:12Z	-
dc.date.issued	2025-03-11	-
dc.identifier.uri	http://hdl.handle.net/11422/25421	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Inteligência artificial	pt_BR
dc.subject	Aprendizado de máquina	pt_BR
dc.subject	Aprendizado por reforço	pt_BR
dc.subject	Jogos	pt_BR
dc.subject	Aprendizado por reforço profundo	pt_BR
dc.subject	Artificial intelligence	pt_BR
dc.subject	Machine learning	pt_BR
dc.subject	Reinforcement learning	pt_BR
dc.subject	Games	pt_BR
dc.subject	Deep reinforcement learning	pt_BR
dc.title	Aprendizado por reforço para treinamento de agentes em jogos de estratégia em tempo real	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.referee1	Sá, Vinícius Gusmão Pereira de	-
dc.contributor.referee2	Menasché, Daniel Sadoc	-
dc.description.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.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Instituto de Computação	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Ciência da Computação

Files in This Item:

File	Description	Size	Format
DRAlbuquerque.pdf		1.35 MB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository