很棒的游戏
策划但不完整的游戏AI资源列表。
如果您想为此列表做出贡献，请随时发送拉动请求。您也可以联系[email protected]或[email protected]。
？新闻：请查看我们开源的大型时间序列模型（LTSM）！
？您听说过以数据为中心的AI？请查看我们以数据为中心的AI调查和以数据为中心的AI资源！
什么是游戏AI？
游戏AI专注于根据当前条件预测应采取哪些操作。通常，大多数游戏都包含某种AI，通常是游戏中的角色或玩家。对于一些流行的游戏，例如星际争霸和Dota 2，开发人员花了数年时间来设计和完善AI以增强体验。
单位代理与多机构
在游戏中有单个玩家的单个环境中，已经对游戏AI进行了许多研究和成就。例如，深度Q学习成功地应用于Atari Games。其他例子包括超级马里奥，我的世界和脆弱的鸟。
多代理环境更具挑战性，因为每个玩家都必须推理其他玩家的举动。现代的强化学习技术增强了多代理游戏AI。 2015年，Alphago首次在全尺寸的19×19板上击败了人类专业的GO球员。在2017年，Alphazero从头开始教授自己，并学会了掌握国际象棋，Shogi和Go的游戏。近年来，研究人员已经努力扑克游戏，例如Libratus，Deepstack和Douzero，在德克萨斯州Hold'em和中国扑克游戏Dou Dizhu中取得了专家级别的表现。现在，研究人员继续进步并在DOTA 2和Starcraft 2上实现人级AI，并深入强化学习。
完美的信息与不完美的信息
完美的信息意味着每个玩家都可以访问游戏的相同信息，例如，GO，国际象棋和Gomoku。不完美的信息是指玩家无法观察到游戏状态的情况。例如，在纸牌游戏中，玩家无法观察其他玩家的手。不完美的信息游戏通常被认为更具挑战性，并且更多的可能性。
包括什么？
该存储库为游戏AI收集了一些令人敬畏的资源，以提供多代理学习和不完美的信息游戏，包括但不限于开源项目，审查论文，研究论文，会议和竞赛。资源按游戏进行分类，并且论文按多年进行分类。
目录
- 开源项目
- 统一工具包
- 德克萨斯州HOUST'EM
- Dou Dizhu
- 星际争霸
- 去
- gomoku
- 棋
- 中国国际象棋
- 评论和一般论文
- 研究论文
- 会议和讲习班
- 比赛
- 相关列表
开源项目
统一工具包
- RLCARD：纸牌游戏中用于加固学习的工具包[Paper] [代码]。
- OpenSpiel：游戏中增强学习的框架[纸] [代码]。
- Unity ML代理工具包[Paper] [代码]。
- Alpha Zero General [代码]。
德克萨斯州持有项目
- DeepStack-LeDuc [Paper] [代码]。
- Deepholdem [代码]。
- Openai Gym没有限制德克萨斯州的EM环境用于加强学习[代码]。
- pypokerengine [代码]。
- Deep Mind Pokerbot for Pokerstars和Partypoker [代码]。
Dou Dizhu项目
- PerfectDou：以完美的信息蒸馏来统治Doudizhu [代码]。
- Douzero：用自我播放的深度强化学习[代码]来掌握杜迪兹（Doudizhu）。
- Doudizhu AI使用加固学习[代码]。
- dou di zhu与组合Q学习[Paper] [Code]。
- doudizhu [代码]。
- 斗地主ai设计与实现[代码]。
星际争霸项目
- Starcraft II学习环境[论文] [代码]。
- 体育馆星际争霸[代码]。
- Startcraft II强化学习示例[代码]。
- DeepMind的星际争霸AI环境指南[代码]。
- 基于DI-Engine的Alphastar的重新实现，并具有训练有素的模型[代码]。
去项目
- ELF：使用Alphagozero/Alphazero重新实现[Code] [Paper]的游戏研究平台。
Gomoku项目
- alphazero-gomoku [代码]。
- Gobang [代码]。
国际象棋项目
- 国际象棋-Alpha-Zero [代码]。
- 深粉红色[代码]。
- 简单的国际象棋AI [代码]。
中国国际象棋项目
Mahjong项目
- Pymahjong（日本Riichi Mahjong）[代码]。
- 凡人[代码]。
评论和一般论文
- 在不完美的信息游戏中，从自我玩法中学习深度强化，Arxiv 2016 [Paper]。
- 多代理增强学习：概述，2010年[论文]。
- 合作和竞争性多种学习的概述，Lamas 2005 [Paper]。
- 多代理增强学习：一项批判性调查，2003年[论文]。
研究论文
博彩游戏
博彩游戏是扑克游戏中最受欢迎的形式之一。该列表包括Goofspiel，Kuhn Poker，Leduc Poker和Texas Hold'em。
- 神经复制器动力学，Arxiv 2019 [Paper]。
- 通过可利用性下降计算顺序对抗游戏中的近似平衡，IJCAI 2019 [Paper]。
- 通过打折的遗憾最小化解决不完美的信息游戏，AAAI 2019 [论文]。
- 深度反事实遗憾的最小化，ICML，2019 [Paper]。
- Actor-Critic政策优化在部分可观察到的多种环境中，Neurips 2018 [Paper]。
- 安全和嵌套的子游戏解决不完美的信息游戏，Neurips，2018 [Paper]。
- DeepStack：专家级的人工智能无限制扑克，科学2017 [论文]。
- 统一的游戏理论方法，用于多基因增强学习，Neurips 2017 [Paper]。
- Poker-CNN：一种使用卷积网络在扑克游戏中进行抽签和赌注的模式学习策略[Paper]。
- 在不完美的信息游戏中，从自我玩法中学习深度强化，Arxiv 2016 [Paper]。
- 大型游戏中的虚拟自我玩法，ICML 2015 [Paper]。
- 解决头部限制德克萨斯州Hold'em，ijcai 2015 [论文]。
- 遗憾的是最小化信息不完整的游戏，Neurips 2007 [Paper]。
Dou Dizhu
- Perfectdou：以完美的信息蒸馏来统治Doudizhu，Neurips 2022 [Paper] [Code]。
- Douzero：通过自我播放深度加强学习掌握Doudizhu，ICML 2021 [Paper] [Code]。
- Deltadou：通过自我播放，ijcai 2019 [论文]专家级Doudizhu ai。
- Dou Di Zhu的Q-Learning，Arxiv 2019 [Paper] [Code]。
- 确定和信息集蒙特卡洛树搜索纸牌游戏Dou Di Zhu，CIG 2011 [Paper]。
马翁
- 变性甲骨文指导增强学习，ICLR 2022 [纸]
- Suphx：用深度加固学习掌握Mahjong，Arxiv 2020 [Paper]。
- 用抽象来构建人工智能播放器的方法，以在Mahjong的多人游戏游戏中进行马萨诸塞州的决策过程，Arxiv 2019 [Paper]。
- 建立基于蒙特卡洛模拟和对手模型的计算机Mahjong播放器，IEEE CIG 2017 [Paper]。
桥
去
- 掌握没有人类知识的GO的游戏，自然2017 [Paper]。
- 使用深度神经网络和树木搜索，自然2016 [Paper]掌握GO的游戏。
- 计算机GO中的时间差异搜索，机器学习，2012 [Paper]。
- 蒙特卡罗树搜索和计算机GO中的快速动作价值估计，人工智能，2011 [Paper]。
- 计算GO游戏中移动模式的“ ELO评级”，ICGA Journal，2007 [Paper]。
星际争霸
- Starcraft II的大师级使用多代理增强学习，自然2019 [论文]。
- 关于《星际争霸》全长游戏的加强学习，AAAI 2019 [Paper]。
- 稳定经验重播，以进行深层强化学习，ICML 2017 [Paper]。
- 星际争霸中多个单位战斗的合作加强学习，SSCI 2017 [Paper]。
- 使用深度学习从重播中学习宏观管理，CIG 2017 [Paper]。
- 将强化学习应用于实时策略游戏《星际争霸：Broodwar》，CIG 2012 [Paper]。
会议和讲习班
- IEEE计算情报与游戏会议（CIG）
- AAAI关于游戏中强化学习的研讨会
- 桥接游戏理论和深度学习
- IJCAI 2018电脑游戏研讨会
- IEEE游戏会议（COG）
比赛
相关列表
