Научить компьютер играть в дурака

задача такая, научить компьютер играть в дурака, собираюсь решить её с помощью генетического алгоритма и нейросети.
Если с ГА проблем пока не возникает, то с нейросетью явный затык. Не могу понять какие данные она должна принимать и какие возвращать.
Допустим я её буду передавать текущее состояние, т.е. карты находящиеся на столе и у меня на руках, а так же в отбое и козырь. но возникает проблема с тем что в процессе игры не всегда нужно отбиваться или атаковать, иногда нужно нажать бито, иногда сделать перевод, иногда взять, а если всё таки нужно отбиваться, но нужно понять какую карту отбивать.
отсюда собственно вопрос, как лучше организовать структуру нейросети?

0

Mikhaylo, мы же знаем сколько карт в колоде, вот и будем считать каждый нейрон отдельной картой, а отправлять в него будем текущее состояние карты (у кого на руках, в колоде или на столе), а на выходе каждому нейрону присваиваем действие, я прикинул, их всего 5 или 6 получается
back propagation применим, если у нас есть выборка, на которой можно учиться, в нашем случае если создавать выборку из всех возможных ходов, то она будет огромная, да и если она у нас будет, то нам и нейронка не нужна, просто отсеиваем выигрышные ходы

0

Ладно, коли тут собрались люди, любящие щелкать орешки...

Давайте договоримся, для простоты рассматриваем игру в простого дурака без переводов, 36 карт.

У нас есть 5 массивов карт:
A - карты на руках,
B - карты у соперника на руках,
C - колода,
D - игровое поле,
E - сброс.

A - полностью известный.
B - обычно неизвестный, но некоторые карты могут "спалиться", когда соперник забирает их.
C - известна козырная карта, которая рубашкой вверх.
D - все карты открыты.
E - все карты известны.

Соответственно, помимо нейросетей должны использоваться обычные несложные алгоритмы, которые отслеживают перемещение карт по массивам, иначе задача не формулируется как следует. А учить ИИ, что в результате некоего действия карта X перешла из массива D в массив E - это слишком утомительное и ненужное обучение правилам игры через веса.

Наличие или отсутствие карты - это 0 или 1, если карта неизвестна, то 0,5 - это нормальный подход для нейронки.

Помимо этого:
1. Нужно вычислить неизвестные карты
2. Нужно оценить действия соперника, учесть его знания карт массива A.

Короче, тут еще куча работы до выхода MVP.

0

Сообщение от Mikhaylo Помимо этого: 1. Нужно вычислить неизвестные карты 2. Нужно оценить действия соперника, учесть его знания карт массива A.

Это да, нейронка может/должна осилить сама.

Вы начните уже собирать данные для обучения. Надо, чтобы кто-то сыграл 10000 партий.

https://youtu.be/Ct2Jx0UwcGE

0

Можно использовать lstm нейросеть, она немного ресурсов занимает, вот пример обучения игре в змейку за 100 итераций youtube. Вот пример использования обученной нейросети для обучения игры в марио youtube2.
Итак, какой-бы алгоритм вы не выбрали, Вам нужно сначала получить данные из игры, желательно в виде цифр (ответ агенту). Начните с отладки работы с игрой. На это у вас уйдет прилично времени. Научитесь передавать данные в игру и получать ответ, желательно в виде цифр. Сведите к минимуму количество команд. А после этого уже выбирайте алгоритмы - нейросети, генетический алгоритм и т.д.

0

Самое главное, не предаваться иллюзии, что все просто: типа скормил нейросети массивы и все заработало.

По моей ссылке на Ютуб есть реализация, и там не самые лучшие решения по интеграции нейросети к игроку.

Нужно попробовать что-то сделать, чтобы понять свои слабости. А иначе мы имеем только шапкозакидательский трёп.

0