В работе исследуется возможность построения алгоритма на основе обучения с подкреплением для задачи распознавания и использования блефа в карточной игре «верю — не верю». Построенный алгоритм обладает «интеллектуальной способностью» перестраивать свою стратегию поведения и оценивать возможные ходы, основываясь на предыдущем опыте. Данный класс алгоритмов используется для принятия решений в быстроменяющихся средах. Описаны способ и результаты сравнения алгоритмов между собой, результаты игр лучших алгоритмов с реальным соперником. Обнаружен эффект «переобучения» — увеличение количества обучающих партий в ряде случаев не улучшает, а ухудшает качество работы алгоритма.

обучение с подкреплением, математическое моделирование, Q-обучение, метод SARSA(λ), алгоритм распознавания блефа, имитация блефа, нейронные сети, высокоскоростное принятие решений

Математическое моделирование в актуальных проблемах науки и техники

Князятов Станислав Александрович,  ,  Сибинтек

Малинецкий Георгий Геннадьевич,  ,  orcid.org/0000-0001-6041-1926,  ИПМ им. М.В. Келдыша РАН