Učenje kooperativnih bojnih strategij z večagentnim globokim učenjemMarkelj, Bine (Avtor) Bohak, Ciril (Mentor) Marolt, Matija (Komentor) Računalniška grafikaVečagentno spodbujevano učenjeKooperativne bojne strategijeSimulacijska okoljaUčenje usklajenega vedenja in sodelovanja agentov v bojnih simulacijah, kjer več avtonomnih agentov deluje kot ekipa, predstavlja zahteven problem zaradi delnih opažanj agentov, komunikacije med njimi, nestacionarnosti večagentnega okolja, velikega prostora možnih stanj ter težkega pripisovanja nagrad posameznim agentom. V tem delu smo razvili simulacijsko okolje, kjer 2 ekipi treh agentov tekmujeta na zemljevidih z ovirami. Agente učimo z algoritmom MAPPO po načelu centraliziranega učenja in decentraliziranega izvajanja. V eksperimentu primerjamo vplive različnih tehnik pomnjenja, spodbujanja raziskovanja, sestave opažanj agentov, dolžine učenja, predstavitve okolja, arhitekture nevronskih mrež ter hierarhičnega upravljanja agentov. Dobljene politike ovrednotimo z neposrednimi medsebojnimi boji ter boji proti hevrističnim nasprotnikom na več zemljevidih, kjer smo poleg deleža zmag spremljali tudi ocene Elo (merilo relativne tekmovalne uspešnosti) ter ostale bojne in vedenjske metrike agentov. V zadnjem delu naloge smo problem ter modele prenesli še v 2.5-dimenzionalni prostor in ovrednotili njihovo uspešnost. Končni rezultat naloge je več uspešnih modelov bojevanja, simulacijsko okolje ter tridimenzionalna vizualizacija poteka bojev, ki omogoča dodaten vpogled in razlago nekaterih odločitev naučenih agentov. Rezultati kažejo, da najuspešnejše politike združujejo kratkoročni spomin zgodovine opažanj, pomnilniški pregledni zemljevid in doučenje z nižjo stopnjo učenja. Najboljša politika v turnirju več modelov doseže povprečni točkovni izkupiček 66,08 %.20262026-11-02 13:10:05Magistrsko delo/naloga190730sl