지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2020.2
- 수록면
- 40 - 46 (7page)
- DOI
- 10.5391/JKIIS.2020.30.1.40
이용수
초록· 키워드
오류제보하기
본 논문에서는 정책과 가치가 단일 신경망에 의해 표현되고 학습되는 구조의 신경망을 기반으로 하여 몬테카를로 트리탐색을 적용한 인공지능 오델로 게임 에이전트의 구현을 제안하였다. 본 논문에서 적용하는 신경망 학습은 인공지능플레이어의 자가 대국을 통해 생성된 학습 데이터를 이용하여 수행되는데 기존의 정책이 MCTS를 통해 얻은 강력한 정책을 따라가도록 CNN을 학습한다. 본 논문에서 제안한 인공지능 오델로의 성능 평가를 위해 MPC 탐색을 사용하는 현존 최강 오델로 프로그램인 Wzebra 및 Tothello와 대국을 통해 성능을 비교하였고, 최소최대탐색 알고리즘이 적용된 기존의 에이전트와 본 논문에서 제안하는 에이전트의 신경망 학습 진행에 따른 중간 단계별 에이전트와의 대국을 통해 학습 진행에 따른 승률 변화를 관찰하였다.
목차
요약
Abstract
1. 서론
2. 오델로 게임 에이전트의 강화학습
3. 실험 및 결과
4. 결론
References
참고문헌 (13)
참고문헌 신청
P. S. Rosenbloom, “A World-Championship-Level Othello Program,” Artificial Intelligence, 19, pp. 279-320, 1982.
D. Silver et al., “Mastering the game of Go with deep neural networks and tree search,” Nature 529, pp. 484-489, 2016.
Browne, Cameron B., et al. “A survey of monte carlo tree search methods.,” IEEE Trans. on Computational Intelligence and AI in games, vol. 4, no.1, pp. 354-359, 2012.
M. Buro, “LOGISTELLO-A Strong Learning Othello Program,” NEC Research Institute, Princeton, NJ, 1997.
A. Reinefeld. Spielbaum-Suchverfahren. Informatik- Fachbericht200, BerlinSpringer-Verlag (1989), ISBN 3-540- 50742-6
D. Silver et al., “Mastering the game of Go with deep neural networks and tree search,” Nature 529, pp. 484-489, 2016.
Browne, Cameron B., et al. “A survey of monte carlo tree search methods.,” IEEE Trans. on Computational Intelligence and AI in games, vol. 4, no.1, pp. 354-359, 2012.
M. Buro, “LOGISTELLO-A Strong Learning Othello Program,” NEC Research Institute, Princeton, NJ, 1997.
A. Reinefeld. Spielbaum-Suchverfahren. Informatik- Fachbericht200, BerlinSpringer-Verlag (1989), ISBN 3-540- 50742-6
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
CNN 기반 기보학습 및 강화학습을 이용한 인공지능 게임 에이전트
전기전자학회논문지
2019 .12
-
규칙 기반 심층 강화학습 모델을 통한 변형 오델로 해결 모델
한국정보과학회 학술발표논문집
2024 .12
-
Othello 게임에서 통계 기반의 Game AI 학습
대한전자공학회 학술대회
2017 .06
-
삼목 게임을 위해 개선된 몬테카를로 트리탐색 알고리즘
한국게임학회 논문지
2016 .08
-
강화학습과 몬테카를로 트리 탐색을 적용한 인공지능 인수분해 게임 에이전트에 관한 연구
한국지능시스템학회 논문지
2020 .10
-
MCTS 기법을 활용한 불완전 정보 카드 게임에서의인공지능 에이전트 생성 : 하스스톤을 중심으로
한국게임학회 논문지
2016 .12
-
The Most Promising Sequence of Moves using Monte-Carlo Tree Search on a Small Go Board
한국컴퓨터게임학회논문지
2018 .01
-
Reinforcement Learning based Single AI trained from Multi-game
한국컴퓨터게임학회논문지
2019 .01
-
ANN 기반 기보학습 및 Minimax 탐색 알고리즘을 이용한 오델로 게임 플레이어의 구현
전기학회논문지
2018 .12
-
블록 피하기 게임에서 강화 학습을 이용한 블록 피하기 에이전트 구현
한국컴퓨터정보학회 학술발표논문집
2018 .01
-
강화학습 에이전트 시야 정보 차이에 의한 학습 성능 비교
한국게임학회 논문지
2021 .10
-
딥러닝에 의한 객체인식 향상을 위한 학습 데이터의 효과적 구성: Mask R-CNN을 중심으로
한국측량학회 학술대회자료집
2019 .04
-
Unity ML-Agents 기반의 목표 추적 인공지능 성능 분석
한국정보기술학회논문지
2021 .12
-
강화 학습 기반의 지능형 에이전트 설계 및 구현
Proceedings of KIIT Conference
2022 .12
-
플레이 수준 조절이 가능한 강화학습 기반 카드형 대전 게임 에이전트
스마트미디어저널
2024 .02
-
환경 변화에 대한 협력적 멀티 에이전트 강화학습의 강건성 평가
한국정보과학회 학술발표논문집
2021 .12
-
심층 강화학습 기반 실시간 게임 인공지능 최신 동향
Proceedings of KIIT Conference
2022 .12
-
DQN을 이용한 트레이딩 예측을 위한 강화학습 모델 구현
한국정보기술학회논문지
2019 .04
-
A Study of Collaborative and Distributed Multi-agent Path-planning using Reinforcement Learning
한국컴퓨터정보학회논문지
2021 .03
-
2D 슈팅 게임 학습 에이전트의 성능 향상을 위한 딥러닝 활성화 함수 비교 분석
한국인터넷방송통신학회 논문지
2019 .01
이 논문의 저자 정보
이 논문과 함께 이용한 논문
삼목 게임을 위해 개선된 몬테카를로 트리탐색 알고리즘
이병두
한국게임학회 논문지
2016
.08
딥러닝 기반 가상공간에서의 손 제스처 인식
임영재
,
정일홍
디지털콘텐츠학회논문지
2020
.03
강화학습과 몬테카를로 트리 탐색을 적용한 인공지능 인수분해 게임 에이전트에 관한 연구
원병선
,
김종락
,
한석원
한국지능시스템학회 논문지
2020
.10
심층 강화학습 기반 실시간 게임 인공지능 최신 동향
박상현
,
온병원
Proceedings of KIIT Conference
2022
.12
ANN 기반 기보학습 및 Minimax 탐색 알고리즘을 이용한 오델로 게임 플레이어의 구현
전영진
,
조영완
전기학회논문지
2018
.12
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2020-003-000428856