算法详情-人机对抗智能

适用场景：

强化学习、监督学习

算法类型：

开源实现

算法简介：

在强化学习算法中，学习是由一个标量奖励信号引导。在复杂的环境中，标量奖励可能是稀疏的和延迟的，不容易分辨哪个行动/行动序列获得了什么奖励信号，这就是所谓的信用分配问题。如果除了环境提供奖励外，还能获取到更丰富的、时间密集的多维反馈，可以帮助智能体训练学习到较好的策略，通过成功预测下一步获取的奖励，也可以大大减少智能体在策略学习中的搜索空间和迭代次数。DFP算法该算法在Visual Doom AI Competition 2016 中的 full deathmatch competition 获得第一名，主要是通过预测未来时间步的多维环境属性，用了更少的游戏内部数据的获取，在性能上高于第二名DRQN 50%。该方法引入目标作为输入结合监督学习方法，可针对不同的目标，并在预测上取得了一定的泛化性。

开源实现：

https://github.com/minosworld/dfp

参考文献：

[1]Dosovitskiy, Alexey, and Vladlen Koltun. "Learning to act by predicting the future." arXiv preprint arXiv:1611.01779 (2016).

算法模块：

dfp-master.zip