ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique

APPEL À
CONTRIBUTION
Masses de données hétérogènes
En savoir plus >>
Autres revues >>

Revue d'Intelligence Artificielle

0992-499X
Revue des Sciences et Technologies de l'Information
 

 ARTICLE VOL 23/2-3 - 2009  - pp.293-326  - doi:10.3166/ria.23.293-326
TITRE
STRADA, une approche adaptative pour les jeux de stratégie modernes

TITLE
STRADA, an adaptive approach for modern strategy games

RÉSUMÉ
Les jeux de stratégie modernes demandent aux joueurs de contrôler simultanément un grand nombre d'unités placées sur un environnement sophistiqué. Les problèmes complexes qu'ils posent à l'intelligence artificielle, en de nombreux points apparentés à ceux rencontrés typiquement avec les problèmes du monde réel, poussent dans leurs retranchements les techniques les plus avancées. Dans cet article, nous présentons STRADA, une approche globale utilisant l'apprentissage pour la conception automatique de stratégies dans l'environnement de ces jeux. STRADA combine de nouvelles idées avec des techniques avancées d'apprentissage automatique. On y propose d'une part une forme de réduction de la complexité grâce à la décomposition de la prise de décisions et l'adaptation de la représentation. D'autre part, STRADA accélère le processus d'apprentissage grâce à un mécanisme d'amorçage particulier. Ces solutions sont intégrées dans un système efficace, dont les performances sont démontrées dans le cadre d'un wargame commercial.


ABSTRACT
Modern strategy games require the players to manage a high number of units placed in a very sophisticated environment where complex real-world problems are posed and state-of-the-art artificial intelligence techniques are ineffective. This paper proposes STRADA, a novel learning approach to the automatic design of adaptive strategies for modern strategy games. STRADA combines new ideas with state-of-the-art techniques from several areas of machine learning. In particular, it investigates two main issues: on one hand, complexity reduction of the problem through decomposing the decision-making and adapting representation; on the other hand, acceleration of the process of learning from interaction by applying a particular bootstrapping approach. Solutions to these issues are combined into an efficient learning system, whose performance is demonstrated on a commercial war-game.


AUTEUR(S)
Charles MADEIRA, Vincent CORRUBLE

MOTS-CLÉS
apprentissage par renforcement, prise de décisions stratégiques, wargames, abstraction, analyse de terrain, systèmes multi-agents.

KEYWORDS
reinforcement learning, strategic decision-making, war-games, abstraction, terrain analysis, multi-agent systems.

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 7.5 €
• Non abonné : 15.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (1,18 Mo)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier