Скачать deep rts - Скачать исходный код deep rts

deep rts

AI Исходный код

1.0.0

Скачать

Описание

DeepRTS — это высокопроизводительная стратегическая игра в реальном времени для исследований в области обучения с подкреплением. Он написан на C++ для повышения производительности, но предоставляет интерфейс Python для лучшего взаимодействия с наборами инструментов машинного обучения. Deep RTS может обрабатывать игру со скоростью более 6 000 000 шагов в секунду и 2 000 000 шагов при рендеринге графики. По сравнению с другими решениями, такими как StarCraft, время моделирования на Intel i7-8700k с Nvidia RTX 2080 TI сокращается более чем на 15 000% .

Цель Deep RTS — предоставить более доступное и устойчивое решение для исследований искусственного интеллекта в реальном времени за счет сокращения времени вычислений.

Рекомендуется использовать главную ветку для самой новой (и обычно лучшей) версии среды. Буду благодарен за любой вклад в улучшение окружающей среды.

Пожалуйста, используйте следующую цитату при использовании этого в своей работе!

 @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},}

Зависимости

Питон >= 3.9.1

Установка

Метод 1 (из репозитория Git)

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

Метод 2 (клонирование и сборка)

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

Доступные карты

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

Сценарии

В Deep RTS представлены сценарии, представляющие собой заранее созданные мини-игры. Эти мини-игры хорошо подходят для обучения агентов выполнению конкретных задач или для тестирования алгоритмов в различных ситуациях. Преимущество использования сценариев заключается в том, что вы можете тривиально спроектировать функции вознаграждения, используя критерии, каждый из которых выводит сигнал вознаграждения/наказания в зависимости от завершения задачи. Примеры задач:

собрать 1000 золота
нанести 100 урона
получить 1000 урона
победить 5 врагов

Deep RTS в настоящее время реализует следующие сценарии

 GoldCollectFifteen
GeneralAIOneVersusOne

Минимальный пример

 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