Spodbujevano učenje avtonomnih agentov v videoigriCiglar, Miha (Avtor) Sadikov, Aleksander (Mentor) spodbujevano učenjeproximal policy optimization (PPO)avtonomni agentiumetna inteligenca v videoigrahV diplomski nalogi preučujemo uporabo spodbujevanega učenja za učenje agentov v 2D igri, ki znano igro Flappy Bird razširi s predmeti, inventarjem, izstrelki in sovražniki. Za učenje izberemo algoritem proximal policy optimization (PPO), predstavimo njegove teoretične osnove in utemeljimo njegovo izbiro za dinamična okolja, ki se hitro spreminjajo. Praktični del zajema pripravo učnega okolja, opazovanj in akcij, sistem nagrajevanja, nevronsko mrežo ter nastavitve hiperparametrov. Učenje poteka postopoma po fazah, z naraščajočo zahtevnostjo za agenta. Rezultati potrjujejo uspešnost pristopa s stabilnim učenjem in smiselnim vedenjem ter izpostavljajo izzive pri uporabi spodbujevanega učenja v hitrih, dinamičnih igrah.20252025-09-15 18:05:01Diplomsko delo/naloga173314VisID: 37953COBISS_ID: 253380611sl