APPLYING SELF-PLAY REINFORCEMENT LEARNING TO KAZAKH NATIONAL BOARD GAMES: A CASE STUDY ON TOGYZKUMALAK

Dinara Zhussupova

doi:10.26577/jpcsit4220261

Авторы

Dinara Zhussupova Institute of Mathematics and Mathematical Modeling, Astana, Kazakhstan https://orcid.org/0000-0002-1860-0843 (неаутентифицированный)

DOI:

https://doi.org/10.26577/jpcsit4220261

Ключевые слова:

Многoагентное обучение с подкреплением, накопленное вознаграждение, Q-обучение, игра с нулевой суммой, метод Монте-Карло с деревом поиска

Аннотация

В статье представлены результаты исследования по обучению агентов для соревновательных настольных игр на примере казахской национальной игры тогызкумалак, которая является игрой с нулевой суммой. Как показал опыт AlphaZero, возможно обучение чемпиона без привлечения экспертных знаний человека и обучения с учителем. Тем не менее, каждая игра обладает уникальными особенностями, которые требуют отдельного изучения для создания сильного игрока. В данной работе использованы два подхода к обучению агентов: безмодельный и модельный. Техника самоигры была эффективно применена в процессе обучения. В результате агенты овладели навыками игры в тогызкумалак на конкурентоспособном уровне.

Скачивания

Данные по скачиваниям пока не доступны.

Биография автора

Dinara Zhussupova, Institute of Mathematics and Mathematical Modeling, Astana, Kazakhstan

Dinara Zhussupova, PhD. Dr. Dinara Zhussupova is a Leading Researcher at the Institute of Mathematics and Mathematical Modeling (Almaty, Kazakhstan). She received her PhD in Mathematics from L.N. Gumilyov Eurasian National University. Her academic and research work focuses on mathematical modeling, numerical methods, artificial intelligence, and reinforcement learning. She has experience in interdisciplinary research at the intersection of mathematics, computer science, and intelligent systems.