第490章 人工智能的本源（第6页）

+

博弈论（game-theoretic

rl）：用于优化

ai

代理在动态环境中的策略，如自动驾驶。

2.

典型

ai

博弈论应用

（1）

alphago：对抗性博弈

+

强化学习

?背景：围棋被认为是最复杂的棋类游戏之一，搜索空间极大，传统搜索算法难以解决。

?技术：

?蒙特卡洛树搜索（mcts）：预测最优落子。

?深度强化学习（deep

rl）：通过“自我博弈（self-play）”

不断优化策略。

?零和博弈（zero-sum

game）：每一方的胜利意味着另一方的失败。

（2）

德州扑克

ai（libratus、p露ribus）：不完全信息博弈

?挑战：扑克游戏具有隐藏信息（对手的牌），与围棋等完全信息博弈不同。

?技术：

?博弈均衡计算（nash

equilibrium

approximation）：找到长期最优策略。

?逆向归纳推理（counterfactual

regret

minimization，

cfr）：动态调整策略，欺骗对手。

（3）

自动驾驶：多智能体博弈

?挑战：无人车必须与其他车辆、行人、交通信号互动，决策必须权衡速度、安全性和效率。

?技术：

?合作博弈：多辆自动驾驶车共享信息，优化通行。

?非合作博弈：ai

本章未完，点击下一页继续阅读