Fredrik Klevmarken
Konrad Rzezniczak
Reinforcement learning has been an area of great
interest the past decades. Self learning machines exist quite commonly in our
society today, within industry as well as simple games. This document is an
investigation into reinforcement learning. The aim is to implement a self
learning game player using Q-learning and an artificial neural network. The
learning agent will face a simplistic opponent with a static tactic in a game
of advanced noughts and crosses. Using Q-learning and
the artificial neural network the learning agent will slowly increase its
proficiency in the game and win numerous matches. The document is ended with a
discussion on the results of the matches and the effectiveness of the
implementation as well as further reading.
Reinforcement learning är ett område som haft högt intresse de senaste
decennierna. Självlärande maskiner är relativt vanliga i dagens samhälle. De
finns inom industrin såväl som i simpla spel. Det här
dokumentet är en undersökning av reinforcement learning. Syftet med undersökningen är att implementera en
självlärande spelagent med Q-learning och ett
artificiellt neuralt nätverk. Den självlärande spelagenten kommer att möta en
simpel agent med en statisk taktik i en mer avancerad version av spelet
luffarschack. Med användning av Q-learning och det
artificiella neurala nätverkat kommer spelagenten långsamt öka sin färdighet i
spelet och slutligen vinna flertalet matcher. Det här dokumentet avslutas med
en diskussion gällande resultaten från matcherna, effektiviteten i
implementeringen av den självlärande spelagenten samt en del om fortsatta
studier.