Home

反馈或希望参与运维的可以发送至个人邮箱
mail address：[email protected]

为什么要研究游戏AI呢：

因为它很有趣~!!!!:P
因为游戏中的问题是现实问题的折射
由于游戏的算法永远不会被单单的几种算法所束缚

引用Georgios N.Yannakakis and Julian Togelius 《Artificial Intelligence and Games》 中的话 [1]

自AI的想法诞生以来，游戏一直为AI的研究过程提供助力。游戏不仅提出有趣且复杂的问题来供AI解决————例如去精通一个游戏；它们也为（人类，甚至机器）用户能够体验到的创意以及表达提供了一个画布。因此可以说，游戏是罕见的，是科学（解决问题）与艺术相碰撞并相互作用的领域，而这些因素也让游戏对于AI的研究来说成为一个独特并且优秀的环境。然而不仅是AI在游戏中提升，游戏也在AI研究中得到了发展。

AI方法在游戏领域的应用范围

AI方法在游戏领域中的应用概览，图源自[1][slide]，表格结尾由本人翻译，该wiki大致会按照该方法分类。
因此在游戏中，除去进一步的细分，可以大致划分为以下的三个方向
1.利用AI去玩游戏
2.利用AI去为玩家建模
3.利用AI去生成游戏内容
值得强调的是，因为本人的水平有限，目前的细类划分可能并不能完全概括，同时由于本身的阅读顺序问题，导致了再列表中的paper没有具体的排序标准，因此读者可以根据自己的需求选择性阅读文章。汇总链接看右侧

---

前置知识：

• 机器学习（Machine Learning）：如果没有机器学习基础，去看paper会很吃力，至少要对机器学习中的名称要敏感，这样也好在遇到不懂的算法时去查看知识。强烈推荐不懂或补充知识的时候看英文书Machine Learning A Probabilistic Perspective by Kevin P. Murphy[pdf]，中文的入门推荐看去b站上看吴恩达老师的视频[b站链接]
• 必要的深度学习模型（DeepLearning）：如果机器学习可以似懂非懂的来接触，那深度学习必要基础应该是必备的，主要是目前深度强化学习的应用，以及游戏场景生成中深度学习的应用。必要的模型CNN、DNN、GAN，其余的可以遇到后再返回去看模型。
• 强化学习（Reinforcement Learning）：强化学习起源于计算机学家受心理学的启发，主要是通过在迭代中不断反馈下一阶段的reward来更新agent的policy。这对于学习游戏AI的朋友来说绝对是必备知识了，想学习的推荐台大李宏毅老师的视频[b站链接]，书籍《Reinforcement Learning:An Inroduction》[pdf]，[中文版京东链接]，进阶可以访问由openAI团队整理的强化学习核心文章[链接]，再附上外国小哥higgsfield的深度强化学习DQN等网络的pytorch实现[github链接]
• 蒙特卡洛树搜索（Monte Carlo Tree Search(MCTS)）:这可能是游戏有区别于人工智能其余领域的知识，在棋牌类游戏中蒙特卡洛树搜索被广泛应用，Alphago就是DL与MCTS的结合，想学习的朋友可以看这篇paper，Browne CB, Powley E, Whitehouse D, Lucas SM, Cowling PI, Rohlfshagen P, Tavener S, Perez D, Samothrakis S, Colton S. A survey of monte carlo tree search methods. IEEE Transactions on Computational Intelligence and AI in games. 2012 Feb 3;4(1):1-43. [pdf]
• 演化算法（evolutionary algorithm）：同蒙特卡洛搜索树，演化算法相较而言可能更容易理解，演化算法是演化计算领域一个重要算法，该算法在游戏生成器和战斗AI领域有大量的应用，不同于基于梯度的局部优化方法，EA是全局优化方法，在AlphaStar(谷歌用来打星际的agent)里用到了大量的演化计算思想，推荐看我导师Diego的这篇paper，Gaina RD, Devlin S, Lucas SM, Perez D. Rolling horizon evolutionary algorithms for general video game playing. IEEE Transactions on Games. 2021 Feb 18.[pdf]

---

特别重要书本/paper/知识

• Yannakakis G N, Togelius J. Artificial intelligence and games[M]. Springer, 2018.
  堪称游戏AI算法的圣经《Artificial Intelligence and games》，本人对这本书推崇至极，还是推荐读英文：[pdf],中文版名为《人工智能与游戏》[京东链接]

• Mnih, Volodymyr, Koray Kavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, and Martin Riedmiller. "Playing atari with deep reinforcement learning." arXiv preprint arXiv:1312.5602 (2013).[pdf]
  这篇paper是(Deep Q-learning Networdk)DQN的发表paper，是任何一个强化学习学习者必读的paper~

• LSTM(Long Short term menmory)
  因为原文真的很长，这里推荐陈诚老师写的知乎专栏[知乎链接],写的真的很清晰，推荐不了解LSTM的小伙伴去看看~

• AC框架(Actor-Critic)
  AC框架是目前较主流的强化学习结构，输出策略与分数，推荐去看知乎专栏白话强化学习[知乎链接],还有突然发现的刘建平老师的宝藏教程[链接]，再附上国外小哥higgsfield写的pytorch的全代码实现，包括ppo等[github链接]

• Schulman J, Wolski F, Dhariwal P, et al. Proximal policy optimization algorithms[J]. arXiv preprint arXiv:1707.06347, 2017.[pdf]
  也是大名鼎鼎的PPO算法，基础的损失函数改进支持off-policy的强化学习，并使其性能提升巨大，目前该算法已经是openAI的baseline算法。
  看完原文之后推荐看魏思齐老师写的PPO详解[知乎链接]，以及上文提及的国外小哥higgsfield写的pytorch的全代码实现，包括ppo等[github链接]

• 模拟学习（imitation learning） 为了使agent在游戏的过程中表现得和人类玩家类似，模拟学习是目前国内游戏公司的主要应用研究方向之一，中文版推荐阅读由南京大学，香港中文大学（深圳）的许天，李子牛，俞扬撰写的《模拟学习简洁教程》，首页放有[pdf]。

---

开源游戏AI测试平台/ CoG/AIIDE游戏AI赛事

测试平台名	简述	获取方式
Snake Game AI	《贪吃蛇》，一款非常经典的童年游戏，也是CoG指定的入门级游戏AI测试平台	[github]
The Space War	《太空入侵者》，简单的桌面小游戏	[github]
Bot Bowl	《怒火橄榄球》，是一款完全可观察的、随机的、回合制的现代风格桌面游戏	[参考页面]
Carle's Game	《细胞自动机（CA）模拟器》，CARLE是Carle's Game的环境名称，代表细胞自动机强化学习环境，支持任意的 "生命游戏"	[github]/[参考页面]
ColorShapeLinks	类似于多色彩的五子棋棋盘游戏	[github]
Dota2	《Dota2》，现代最成功的moba游戏之一，dota2 5V5 framework提供了设计DOTA2AI的途径,并在2021年支持了第一届5V5 AI比赛	[参考页面]
FightingICE	街机游戏的战斗AI设计，同时也可以在openAI的gym中找到API	[参考页面]
General Strategy Game AI	《Stratega》是一款被设计为通用策略类游戏的AI设计平台，提供了丰富的游戏模式	[github]
General video game AI	《GVGAI》收录了大量通用视频游戏，是大量游戏AI论文研究的首选，是测试AI方法的泛化性的上佳选择	[参考页面]
Tactile Games	《消消乐游戏》，2021年的CoG也举办了此类型的AI比赛，详情请参照链接	[参考页面]
Ludii	《Ludii》与GVGAI，GSGAU相似，集成了大量的棋盘类游戏，例如中国象棋	[github]
microRTS	《microRTS AI》是简化RTS游戏的集成框架，用于研究RTS游戏例如星际争霸的细微方面	[参考页面]
StarCraft	《星际争霸》也是被广泛应用于测试现代AI的框架，详情请参照链接	[参考页面]
Legends of Code and Magic	策略卡牌游戏（类似炉石传说）的测试平台之一，详情请参照链接	[github]
Angry Birds	《愤怒的小鸟》，在《在超级马里奥》之后，愤怒的小鸟成为了PCG新的更适合的测试平台，详情请参照链接	[参考页面]
Obstacle Tower Environment	OT是近期提出的3D类型闯关游戏，每年都会举办相应的比赛，对agent的泛化性要求很高，其挑战难度会随着tower的高度增加逐渐递增	[github]

---

agent设计思路图

可以作为设计AI玩游戏时的一种设计思路,在目前模型不可得的情况下，大多数学习者都转向了使用深度强化学习作为端到端的设计方法,图源[2]

---

主要贡献者

@ls361664056
@JiangM-C
@Matrix-J-H
@Xyfcw

Reference

[1]Yannakakis, Georgios N., and Julian Togelius. Artificial Intelligence and Games. Springer, 2018.
[2]Paulo Rauber. lecture 10 slides. Artificial Intelligence in Games. QMUL EECS. 2020