download deep rts - download do código-fonte deep rts

deep rts

Código-Fonte de IA

1.0.0

Baixar

Descrição

DeepRTS é um jogo de estratégia em tempo real de alto desempenho para pesquisas de Aprendizado por Reforço. Ele foi escrito em C++ para desempenho, mas fornece uma interface python para melhor interface com kits de ferramentas de aprendizado de máquina. Deep RTS pode processar o jogo com mais de 6.000.000 de passos por segundo e 2.000.000 de passos ao renderizar gráficos. Em comparação com outras soluções, como StarCraft, este é um tempo de simulação 15.000% mais rápido rodando em Intel i7-8700k com Nvidia RTX 2080 TI.

O objetivo do Deep RTS é trazer uma solução mais acessível e sustentável para a pesquisa RTS AI, reduzindo o tempo de computação.

Recomenda-se usar o branch master para a versão mais recente (e geralmente melhor) do ambiente. Estou grato por qualquer contribuição em relação à melhoria do meio ambiente.

Por favor, use a seguinte citação ao usar isso em seu trabalho!

 @INPROCEEDINGS{8490409,
author={P. {Andersen} and M. {Goodwin} and O. {Granmo}},
booktitle={2018 IEEE Conference on Computational Intelligence and Games (CIG)},
title={Deep RTS: A Game Environment for Deep Reinforcement Learning in Real-Time Strategy Games},
year={2018},
volume={},
number={},
pages={1-8},
keywords={computer games;convolution;feedforward neural nets;learning (artificial intelligence);multi-agent systems;high-performance RTS game;artificial intelligence research;deep reinforcement learning;real-time strategy games;computer games;RTS AIs;Deep RTS game environment;StarCraft II;Deep Q-Network agent;cutting-edge artificial intelligence algorithms;Games;Learning (artificial intelligence);Machine learning;Planning;Ground penetrating radar;Geophysical measurement techniques;real-time strategy game;deep reinforcement learning;deep q-learning},
doi={10.1109/CIG.2018.8490409},
ISSN={2325-4270},
month={Aug},}

Dependências

Pitão >= 3.9.1

Instalação

Método 1 (do repositório Git)

 sudo pip3 install git+https://github.com/cair/DeepRTS.git

Método 2 (clonar e construir)

 git clone https://github.com/cair/deep-rts.git
cd deep-rts
git submodule sync
git submodule update --init
sudo pip3 install .

Mapas disponíveis

 10x10-2-FFA
15x15-2-FFA
21x21-2-FFA
31x31-2-FFA
31x31-4-FFA
31x31-6-FFA

Cenários

Deep RTS apresenta cenários que são minijogos pré-construídos. Esses minijogos são adequados para treinar agentes em tarefas específicas ou para testar algoritmos em diferentes configurações de problemas. Os benefícios de usar cenários é que você pode projetar funções de recompensa de maneira trivial usando critérios em que cada uma gera um sinal de recompensa/punição dependendo da conclusão da tarefa. Exemplos de tarefas são:

coletar 1000 ouro
causar 100 de dano
sofrer 1000 de dano
derrotar 5 inimigos

Deep RTS implementa atualmente os seguintes cenários

 GoldCollectFifteen
GeneralAIOneVersusOne

Exemplo Mínimo

 import random
from DeepRTS . python import Config
from DeepRTS . python import scenario

if __name__ == "__main__" :
    random_play = True
    episodes = 100

    for i in range ( episodes ):
        env = scenario . GeneralAI_1v1 ( Config . Map . THIRTYONE )
        state = env . reset ()
        done = False

        while not done :
            env . game . set_player ( env . game . players [ 0 ])
            action = random . randrange ( 15 )
            next_state , reward , done , _ = env . step ( action )
            state = next_state

            if ( done ):
                break

            env . game . set_player ( env . game . players [ 1 ])
            action = random . randrange ( 15 )
            next_state , reward , done , _ = env . step ( action )
            state = next_state