问为了编写一个简单的人工智能程序来玩游戏，我需要什么知识？

EN

有多种方法来解决游戏游戏问题。有些游戏可以通过搜索算法来解决，例如。这是很好的工作卡和棋盘游戏，直到一定程度的复杂性。例如，IBM的深蓝色本质上是一种快速启发式驱动的最优移动搜索.

但是，最常用的机器学习算法可能是强化学习，用于训练agent以最优方式执行任务。从技术上讲，这不是一种算法，而是一大类相关算法，它们都解决了学习问题的特定形式化。

强化学习( Reinforcement，RL)是一种以agent的方式定义的问题的最优解，它能观察环境的状态，在环境中采取行动，并获得与状态和行为有关的经验奖励。RL求解器需要设计用于处理奖励比采取重要操作时晚的情况，而这通常是通过学习与状态和/或状态-动作对相关的后续奖励的内部期望来实现的。

以下是一些学习强化学习的资源：

• 强化学习:导论(第二版)
• 强化学习算法(PDF)
• Udacity强化学习课程
• 大卫-希尔弗大学强化学习讲座

你会发现主题本身是相当大的，因为算法越来越复杂的变化是必要的，因为要解决的问题变得更加困难。

开始学习强化学习的游戏可能包括：

• Tik toe(又名本体和十字)-这可以很容易地通过搜索解决，但它是一个简单的玩具问题来解决使用基本的RL技术。
• 迷宫--在强化学习文献中，有许多“网格世界”游戏的例子，其中一个代理在单个N、E、S、W中移动，踩在一个可以充满危险和目标的小板上。
• 21点(又名21)

如果你想和代理一起玩电子游戏，你也会想要了解神经网络，也许是一些细节--你将需要深而复杂的神经网络来处理屏幕图形。

相对来说，RL的一个新资源是OpenAI宇宙。他们已经做了很多工作来打包环境，准备好训练agents，这意味着你可以集中精力学习学习算法，而不是建立环境。

关于你目前的技能清单:这些技能中没有一个与强化学习直接相关。然而：

• 如果你能理解以前的课程中的数学和理论，那么你也应该能够理解强化学习理论。
• 如果您研究过任何在线或批处理监督学习技术，那么这些技术可以作为RL框架中的组件使用。通常情况下，它们可以被用来逼近游戏状态的值函数，基于迄今为止的成功和失败的反馈。

这在很大程度上取决于游戏的类型和游戏状态的信息，对你的人工智能可用。

近几年来最著名的人工智能游戏是基于深度强化学习(如用深度强化学习弹Atari)，即基于深度神经网络作为奖赏函数逼近的正规强化学习(如Q-学习)。这些方法接收游戏的原始像素加上玩家的点数，并输出游戏垫的动作，就像人类一样。为了做到这一点，您需要掌握强化学习(参见萨顿和巴托的开创性著作)和深度学习(参见伊恩·古德费罗等人.书)，然后将它们融合到深度强化学习中(在这一个之类的深度学习论文的任何管理列表中搜索“强化学习”)。

然而，如果你的人工智能所能得到的游戏信息比这个信息更有结构(例如玩家的位置，环境的描述)，你可以用更经典的方法把你的游戏分解成可处理的问题，并通过算法解决每一个问题，例如用一个*搜索。