歡迎來到強化學習增加遊戲樂趣的展示！在這個作品中，我使用了強化學習(Reinforcement Learning, RL)的技術，讓遊戲更加智能且引人入勝。

在強化學習中，我們有5個重要的元素。
1. Agent 2. Action 3. Environment 4. State 5. Reward

首先，我們必須了解Agent是什麼?
Agent（代理）是一個具有學習和決策能力的實體。Agent 被設計用來與環境進行互動，以完成特定的任務或最大化其在環境中的預期表現。
有者以下的特徵:
1. 感知能力： Agent 通過感測環境來獲取有關當前狀態的信息，這被稱為觀察（Observation）。感知能力使 Agent 能夠理解其周圍的環境。
2. 決策能力： Agent 能夠根據其觀察和以前的經驗做出適當的動作，以影響環境。這種決策能力通常由策略（Policy）來定義，策略是一種映射，描述了在給定觀察下應該選擇的動作。
3. 行動執行： Agent 通過執行從其動作空間中選擇的動作來與環境互動。這些動作可能會改變環境的狀態並影響未來的觀察和獎勵。
4. 目標： Agent 通常有一個或多個特定的目標，其目標可能是在環境中實現某種任務或最大化預期的長期獎勵。
5. 獎勵信號： 當 Agent 採取某個動作後，環境給予 Agent 一個獎勵信號，這是對 Agent 行為的反饋。獎勵信號是 Agent 學習的一個重要信號，用來評估動作的好壞。
6. 學習： Agent 使用學習算法來不斷調整其策略，以最大化預期的長期獎勵。這涉及試錯、經驗積累和策略更新。

總的來說，Agent 是一個在強化學習環境中能夠感知、學習、決策並與環境互動的實體。Agent 的目標是透過不斷優化其策略，以達到在特定任務中表現優越的目標。

若是了解了Agent那你就大致上了解了RL
畢竟RL只是機器學習的一種，其主要目標是使Agent能夠在與環境的互動中學習，以最大化長期累積的獎勵。Agent通過試錯學習，根據環境的反饋調整其行為策略，形成對不同情境的適應性和優越性。

使用強化學習（Reinforcement Learning, RL）與以往的傳統方法相比，會有一些顯著的差別。
* 自主學習：
- RL方法： Agent（玩家或者電腦控制的角色）可以通過與環境的互動，自主學習最佳策略。這意味著代理不需要事先編寫所有的遊戲規則，而是能夠通過嘗試不同的動作來優化其行為。
- 傳統方法： 以前的方法可能需要手動設計遊戲的規則、策略和行為，這通常需要更多的人工工作並可能難以應對複雜的遊戲場景。
* 適應性：
- RL方法： Agent能夠根據其經驗和環境的變化來調整其策略，因此具有更好的適應性。當遊戲場景變化時，代理可以適應新的情況，而不需要手動調整。
- 傳統方法： 如果使用傳統方法，可能需要不斷調整和修改遊戲規則和策略以應對變化，這可能更為耗時且困難。
* 長期學習：
- RL方法： 代理可以通過時間不斷學習和改進其策略，以應對不斷變化的遊戲環境。
- 傳統方法： 以前的方法可能在固定的規則下運行，難以實現長期學習和改進。
* 動態對抗：
- RL方法： 可以通過與其他代理互動，學習如何應對不同的對手，使得遊戲更具挑戰性。
- 傳統方法： 以前的方法可能需要手動設計不同對手的行為，而不夠靈活。

訓練
曲棍球初始
{%youtube TZ3o6K5BrTU %}
繼承後
{%youtube eBmK9nSOaWc %}

鬼抓人追目標
{%youtube bSGhiMIrzWA %}
{%youtube 2wiczS44gpk %}