Awesome-Game-AI

这是一个关于**多智能体（multi-agent）**强化学习游戏 AI 资源的精选列表（非完整）。

如果你希望为该列表做出贡献，请随时发送 Pull Request。你也可以联系 daochen.zha@rice.edu 或 khlai@rice.edu。

:loudspeaker: 新闻：请查看我们开源的 Large Time Series Model (LTSM)！

:loudspeaker: 听说过以数据为中心的 AI (data-centric AI) 吗？请查看我们的 data-centric AI 综述 和 awesome data-centric AI 资源库！

什么是游戏 AI？

游戏 AI 专注于根据当前状况预测应该采取哪些行动。通常，大多数游戏都包含某种 AI，它们通常是游戏中的角色或玩家。对于一些热门游戏，如 Starcraft 和 [Dota 2](https://en.wikipedia.org/wiki/Dota 2)，开发者花费了多年时间来设计和完善 AI 以提升游戏体验。

单智能体 vs. 多智能体

在单智能体环境（即游戏中只有一个玩家）的游戏 AI 研究方面，已经取得了众多的研究成果和成就。例如，Deep Q-learning 已成功应用于 Atari 游戏。其他例子包括 Super Mario、Minecraft 和 Flappy Bird。

多智能体环境更具挑战性，因为每个玩家都必须推断其他玩家的行动。现代强化学习技术推动了多智能体游戏 AI 的发展。2015 年，AlphaGo 首次在 19×19 全尺寸棋盘上击败了人类职业围棋选手。2017 年，AlphaZero 通过从零开始自学，掌握了国际象棋、将棋和围棋。近年来，研究人员在扑克游戏方面也取得了进展，如 Libratus、DeepStack 和 DouZero，在德州扑克和斗地主中达到了专家级水平。目前，研究人员通过深度强化学习在 Dota 2 和 Starcraft 2 上持续取得进展，并达到了人类水平的 AI。

完全信息 vs. 非完全信息

完全信息是指每个玩家都能获得相同的游戏信息，例如围棋、国际象棋和五子棋。非完全信息是指玩家无法观察到游戏完整状态的情况。例如，在纸牌游戏中，玩家无法观察到其他玩家的手牌。非完全信息游戏通常被认为更具挑战性，且拥有更多的可能性。

包含内容

本仓库收集了一些关于多智能体学习游戏 AI 的优秀资源，涵盖完全信息和非完全信息游戏，包括但不限于开源项目、综述论文、研究论文、会议和竞赛。资源按游戏类别分类，论文按年份排序。

目录

• 开源项目
  • 统一工具包
  • 德州扑克
  • 斗地主
  • 星际争霸
  • 围棋
  • 五子棋
  • 国际象棋
  • 中国象棋
• 综述与通用论文
• 研究论文
  • 博弈游戏
  • 斗地主
  • 麻将
  • 桥牌
  • 围棋
  • 星际争霸
• 会议与研讨会
• 竞赛
• 相关列表

开源项目

统一工具包

• RLCard: A Toolkit for Reinforcement Learning in Card Games [paper] [code].
• OpenSpiel: A Framework for Reinforcement Learning in Games [paper] [code].
• Unity ML-Agents Toolkit [paper] [code].
• Alpha Zero General [code].

德州扑克项目