open_spiel

OpenSpiel: Ein Rahmen für verstärkendes Lernen in Spielen

OpenSpiel ist eine Sammlung von Umgebungen und Algorithmen für die Forschung im Bereich allgemeines Verstärkungslernen und Suchen/Planen in Spielen. OpenSpiel unterstützt n-Spieler-Spiele (Einzel- und Multiagenten), Nullsummenspiele, kooperative Spiele und Generalsummenspiele, One-Shot- und sequentielle Spiele, strikt abwechselnde und simultane Bewegungen, perfekte und unvollständige Informationsspiele sowie traditionelle Multiagentenumgebungen wie (teilweise und vollständig beobachtbare) Gitterwelten und soziale Dilemmata. OpenSpiel enthält außerdem Tools zur Analyse der Lerndynamik und anderer gängiger Bewertungsmetriken. Spiele werden als prozedurale Extensivform-Spiele mit einigen natürlichen Erweiterungen dargestellt. Die Kern-API und die Spiele werden in C++ implementiert und für Python verfügbar gemacht. Algorithmen und Tools sind sowohl in C++ als auch in Python geschrieben.

Um OpenSpiel in Google Colaboratory auszuprobieren, lesen Sie bitte das Unterverzeichnis open_spiel/colabs oder beginnen Sie hier.

Index

Bitte wählen Sie zwischen den folgenden Optionen:

• OpenSpiel installieren
• Einführung in OpenSpiel
• API-Übersicht und erstes Beispiel
• API-Referenz
• Übersicht der implementierten Spiele
• Übersicht über implementierte Algorithmen
• Entwicklerhandbuch
• Verwendung von OpenSpiel als C++-Bibliothek
• Richtlinien und Beiträge
• Autoren

Eine längere Einführung in die Kernkonzepte, Formalismen und Terminologie, einschließlich einer Übersicht über die Algorithmen und einige Ergebnisse, finden Sie unter OpenSpiel: A Framework for Reinforcement Learning in Games.

Einen Überblick über OpenSpiel und Beispielanwendungen der Kern-API finden Sie in unseren Tutorials:

• Motivation, Kern-API, kurze Einführung in Replikatordynamik und Spiele mit unvollständiger Information von Marc Lanctot. (Folien) (Colab)
• Motivation, Kern-API, Implementierung von CFR und REINFORCE bei Kuhn Poker, Leduc Poker und Goofspiel von Edward Lockhart. (Folien) (Colab)

Wenn Sie OpenSpiel in Ihrer Forschung verwenden, zitieren Sie den Artikel bitte mit dem folgenden BibTeX:

 @article { LanctotEtAl2019OpenSpiel ,
  title     = { {OpenSpiel}: A Framework for Reinforcement Learning in Games } ,
  author    = { Marc Lanctot and Edward Lockhart and Jean-Baptiste Lespiau and
               Vinicius Zambaldi and Satyaki Upadhyay and Julien P'{e}rolat and
               Sriram Srinivasan and Finbarr Timbers and Karl Tuyls and
               Shayegan Omidshafiei and Daniel Hennes and Dustin Morrill and
               Paul Muller and Timo Ewalds and Ryan Faulkner and J'{a}nos Kram'{a}r
               and Bart De Vylder and Brennan Saeta and James Bradbury and David Ding
               and Sebastian Borgeaud and Matthew Lai and Julian Schrittwieser and
               Thomas Anthony and Edward Hughes and Ivo Danihelka and Jonah Ryan-Davis } ,
  year      = { 2019 } ,
  eprint    = { 1908.09453 } ,
  archivePrefix = { arXiv } ,
  primaryClass = { cs.LG } ,
  journal   = { CoRR } ,
  volume    = { abs/1908.09453 } ,
  url       = { http://arxiv.org/abs/1908.09453 } ,
}

Versionierung

Wir verwenden semantische Versionierung.