Abschlussarbeit

Beschreibung:

Die vorliegende Arbeit geht der Frage nach, wie man einem Computer mit Methoden des Reinforcement Learning (RL) ein Brettspiel beibringen kann. Dies wird am Beispiel des Spiels Reversi untersucht. Nach einer einführenden Darstellung der Anwendung von RL auf Brettspiele wird gezeigt, wie Reversi für diesen Kontext formal modelliert werden kann. Dann wird ein einfacher Algorithmus entwickelt und implementiert, der auf Grundlage bisher beobachteter Ergebnisse, die in einer Tabelle festgehalten werden, abschätzt, welcher Zug in einer gegebenen Stellung am erfolgversprechendsten ist. Dieser geradlinige „tabulare“ Algorithmus erweist sich jedoch aufgrund der großen Anzahl möglicher Reversi-Stellungen als nicht zielführend und erreicht in der experimentelle Überprüfung nur eine geringe Spielstärke. Untersucht wird, ob diese Probleme überwunden werden können, wenn die Tabelle des Algorithmus durch ein neuronales Netzwerk ersetzt wird. Als einfachste Vari- ante wird dieses Netzwerk mit bereits vorliegenden Stellungsabschätzungen trai- niert. Experimente mit diesem Ansatz belegen eine sehr erhebliche Steigerung der Spielstärke. Als zweite Variante wird ein „tiefer“ RL-Algorithmus konstruiert, bei dem das Netzwerk kontinuierlich mit neuen Beobachtungen (weiter-)trainiert wird, während der Computer Spielerfahrung sammelt. Es gelingt jedoch in der experimentellen Überprüfung nicht, mit diesem komplexeren Vorgehen die Spielstärke des einfacheren Netzalgorithmus zu übertreffen.