| Autor: |
Alan Alberto Montes Perez, Aurora Torres Soto, Maria Dolores Torres Soto |
| Jazyk: |
English<br />Spanish; Castilian |
| Rok vydání: |
2024 |
| Předmět: |
|
| Zdroj: |
ReCIBE, Vol 13, Iss 3 (2024) |
| Druh dokumentu: |
article |
| ISSN: |
2007-5448 |
| DOI: |
10.32870/recibe.v13i3.379 |
| Popis: |
Los videojuegos son una herramienta importante como campo de pruebas de algoritmos de aprendizaje por refuerzo, sin embargo, también son una buena herramienta para generar inteligencia artificial para los mismos. Esta investigación se dividió en dos fases generales, el desarrollo de un demo de videojuego de peleas llamado Brain Fighter y la creación de un modelo de aprendizaje por refuerzo basado en el algoritmo llamado Proximal Policy Optimization para entrenar un agente inteligente de modo que sea capaz de jugar satisfactoriamente Brain Fighter. En este artículo se presenta el mejor modelo obtenido como resultado de haber experimentado con seis modelos diferentes, además se expone la metodología utilizada para llevar a cabo toda la investigación, que constituye desde la creación de Brain Fighter en Unity, la elección del algoritmo de aprendizaje por refuerzo a utilizar disponible en ML Agents, la creación del modelo, el entrenamiento y los resultados obtenidos además de las conclusiones generales del trabajo. |
| Databáze: |
Directory of Open Access Journals |
| Externí odkaz: |
|
