Resumen

Con la rápida llegada de los videojuegos recientemente y el creciente número de jugadores y gamers, solo un juego difícil con alta política, acciones y tácticas sobrevive. Cómo responde el juego a las acciones del oponente es el tema clave de los juegos populares. Se propusieron muchos algoritmos para resolver este problema, como la Iteración de Política de Mínimos Cuadrados (LSPI) y el Estado-Acción-Recompensa-Estado-Acción (SARSA), pero dependen principalmente de acciones discretas, mientras que los agentes en este entorno tienen que aprender de las consecuencias de sus acciones continuas, para maximizar la recompensa total con el tiempo. Por lo tanto, en este artículo propusimos un nuevo algoritmo basado en LSPI llamado Iteración de Política de Acción Continua de Mínimos Cuadrados (LSCAPI). El LSCAPI fue implementado y probado en tres juegos diferentes: un juego de mesa, las 8 Reinas, y dos juegos de estrategia en tiempo real (RTS), StarCraft Brood War y Glest. La evaluación de

• Materias:Realidad aumentada Modelo para juego Política de acción continua Psicología del color Diagramas de estado
• Subjects:Augmented reality Game modeling Continuous action policy Color psychology State diagrams
• Palabras claves:Videojuegos; Jugadores; Algoritmos; LSPI; SARSA; LSCAPI
• Keywords:Video games; Players; Algorithms; LSPI; SARSA; LSCAPI