Empowering atari gaming with deep reinforcement learning
Derin takviyeli öğrenme ile atarı oyunlarını güçlendirmek
- Tez No: 940533
- Danışmanlar: DR. ÖĞR. ÜYESİ HAKAN KOYUNCU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 99
Özet
Derin Güçlendirme Öğrenme (DRL), yapay zeka aracılarını karmaşık oyun ortamlarında gezinmek için optimize ederek oyun alanında önemli ilerlemeler kaydetti. Bu çalışma, Yılan Optimizasyon Algoritması (SOA) ve Enerji Vadisi Optimizasyonunun (EVO) araştırılmasına girişiyor; labirent benzeri bir oyun ortamında bunların etkinliğini kıyaslayan, uygun bir şekilde Energy Serpent Optimizer (ESO) olarak adlandırılan birleşik bir yaklaşımla sinerji oluşturuyor. . Bu ortamda, bir AI ajanı karmaşık yollarda manevra yaparken yılanlar, kafatasları ve diğer animasyonlu karakterler gibi çeşitli zorluklarla mücadele edecek şekilde ayarlanmıştır. Temsilcinin genel hedefi labirentte ustaca gezinmek, potansiyel tehditlerden kaçınmak ve puan toplamak için belirli oyun öğeleriyle etkileşime geçmektir. ESO'nun karşılaştırmalı bir analizi, yürütme süresi verimliliklerinde dikkate değer farklılıklar ortaya çıkardı. SOA, yalnızca 0,43 saniyede devreye giren, zaman açısından daha verimli bir algoritma olarak ortaya çıktı. Bu fark edilebilir zaman aralığı, bu özel ortamda ESO'nun üstün verimliliğini vurguluyor. Ek olarak ESO, optimizasyon sürecinin genetik algoritmalar yoluyla bir dizi hiperparametre konfigürasyonunun geliştirilmesini gerektirdiği söz konusu oyun ortamında teste tabi tutuldu. Amaç, sürecin zaman açısından verimli olmasını sağlarken yapay zeka temsilcisinin oyun içi ödülünü en üst düzeye çıkarmak için bu yapılandırmaları yinelemek ve uyarlamaktı. Etkileyici bir şekilde, ESO'nun rehberliği altındaki AI ajanı, 32 saniyelik bir sürede 1100,0 gibi dikkate değer bir ödül puanı elde etti.
Özet (Çeviri)
Deep Reinforcement Learning (DRL) has made significant strides in the domain of gaming, optimizing artificial intelligence agents to navigate intricate game environments. This study embarks on an exploration of the Snake Optimization Algorithm (SOA) and the Energy Valley Optimization (EVO), it synergizes into a unified approach, aptly named the Energy Serpent Optimizer (ESO), benchmarking their efficacy within a maze-like game setting. Within this environment, an AI agent is set to maneuver through complex pathways, while engaging with diverse challenges such as snakes, skulls, and other animated characters. The overarching objective for the agent is to adeptly navigate the maze, sidestep potential threats, and engage with specific game elements to amass points. A comparative analysis of ESO revealed notable differences in their execution time efficiencies. The SOA emerged as the more time-efficient algorithm, clocking in at a mere 0.43 seconds, This discernible time gap accentuates the superior efficiency of ESO in this particular setting. Additionally, the ESO was put to the test in the said game environment, where the optimization process entailed evolving a set of hyperparameter configurations via genetic algorithms. The goal was to iterate and adapt these configurations to maximize the AI agent's in-game reward, while ensuring the process is time-efficient. Impressively, the AI agent, under the guidance of ESO, achieved a remarkable reward score of 1100.0 in a span of 32 seconds.
Benzer Tezler
- Empowering learner autonomy for developing writing skills through ai-enhanced reflective journals
Yapay zekâ destekli yansıtıcı günlükler aracılığıyla yazma becerilerinin geliştirilmesi için öğrenen özerkliğinin güçlendirilmesi
SENA KÖNEZ
Yüksek Lisans
İngilizce
2024
Eğitim ve Öğretimİstanbul Medeniyet ÜniversitesiYabancı Diller Eğitimi Ana Bilim Dalı
PROF. DR. SELAMİ AYDIN
- Algoritmik ticarette kantitatif yatırım stratejileri ve makine öğrenimi kullanarak finansal karar alma yeteneğinin güçlendirilmesi
Empowering financial decision-making through leveraging uantitative investment strategies and machine learning in algorithmic trading
HAMMAM JAMEEL MAHMOUD ABURAIDI
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İMAN ASKERBEYLİ
- Empowering teachers as agents of change: English language teachers' proactive personality through job crafting
Öğretmenleri değişimin temsilcileri olarak yetkilendirmek: İş biçimlendirme sürecinde İngilizce öğretmenlerinin proaktif kişiliği
NUŞİN EKİNCİ
Yüksek Lisans
İngilizce
2025
Eğitim ve ÖğretimÇağ Üniversitesiİngiliz Dili Eğitimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜRCAN DEMİROGLARI
- Empowering leadership: Impact on the meaningfulness of work through moderating and mediating roles of distributive justice and work-related basic need satisfaction
Güçlendirici liderlik: İşin anlamlılığı algısı üzerindeki etkisinde, dağıtımsal adalet ve iş ile ilgili temel ihtiyaçların tatmini olgularının düzenleyici ve aracı rolleri
ECE AYDOĞDU ÜREY
Yüksek Lisans
İngilizce
2025
Psikolojiİstanbul Bilgi ÜniversitesiÖrgüt Psikolojisi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GERGELY CZUKOR
- Empowering Muslim women through sharia-compliant finance: The mahr bank model for ethical wealth creation
Şeriata uygun finans yoluyla Müslüman kadınları güçlendirmek: Etik servet oluşumu için mahr bank modeli
MOHAMMED NAFA'A
Yüksek Lisans
İngilizce
2025
BankacılıkMarmara Üniversitesiİktisat (İngilizce) Ana Bilim Dalı
PROF. DR. ARİF ORÇUN SÖYLEMEZ