Abschlussarbeit

Zusammenfassung

In dieser Bachelorarbeit werden Kriegssimulationsspiele auf hexagonalen Gittern als vielversprechende Domäne für die Entwicklung und Evaluierung von Reinforcement- Learning-Algorithmen untersucht. Dabei werden grundlegende neuronale Netzwerkarchitekturen sowie Trainingsverfahren für diese Klasse von Spielen betrachtet. Es wird ein neuartiges Faltungsneuronales Netzwerk (Convolutional Neural Network, CNN) für hexagonale Gitter vorgestellt, das es ermöglicht, die in solchen Spielen inhärente Rotationsinvarianz auszunutzen. Darüber hinaus wird ein Reinforcement- Learning-Framework zur Optimierung neuronaler Netzwerke für Spiele auf hexagonalen Gittern entwickelt, das auf modernen Methoden des Deep Reinforcement Learning aufbaut. Abschließend wird das vorgeschlagene Framework auf ein einfaches Spiel auf einem hexagonalen Gitter angewendet, und die erzielte Leistungsfähigkeit des Frameworks wird evaluiert und analysiert.