google-deepmind/open_spiel
Open Spiel
Open Spiel هي مكتبة بحثية وإطار عمل للتعلم التعزيزي، والتخطيط، ومحاكاة الألعاب متعددة الوكلاء. توفر نظامًا لتمثيل الألعاب أحادية الوكيل ومتعددة الوكلاء عبر سيناريوهات المجموع الصفري، والتعاونية، والمعلومات غير الكاملة.
يستخدم المشروع واجهة لعبة مجردة موحدة لفصل منطق اللعبة عن الخوارزميات، مما يسمح للوكلاء بالعمل عبر أنواع ألعاب مختلفة. وينفذ المنطق الحرج للأداء في C++ مع روابط Python ويستخدم محاكاة محددة ببذور (seeded) لضمان إمكانية التكرار لقياس أداء البحث.
يغطي إطار العمل مجموعة واسعة من الإمكانيات بما في ذلك خوارزميات البحث والحوسبة والتخطيط، والتعلم التعزيزي متعدد الوكلاء، وأبحاث نظرية الألعاب. كما يتضمن أدوات لتحليل ديناميكيات التعلم لتتبع سلوك الوكيل وحساب مقاييس التقييم.
Features
- Game Simulation Environments - Implements a system for simulating single-agent and multi-agent games for reinforcement learning and behavioral research.
- Game Search and Planning - Applies computational search and planning techniques to identify the best sequence of moves in complex game states.
- Game Theory Programming - Implements computational models for zero-sum, cooperative, and imperfect information games to study strategic decision making.
- Reinforcement Learning Simulators - Provides a framework for running and reproducing reinforcement learning and search algorithms in controlled game environments.
- Reinforcement Learning Research Frameworks - Provides a comprehensive framework for prototyping and evaluating reinforcement learning and search algorithms across game environments.
- Multi-Agent Training - Provides tools for training and evaluating agents that interact in shared environments through competition or cooperation.
- Game Logic Decouplers - Ships a standardized API layer that separates agent logic from game mechanics to support diverse game types.
- Game State Feature Encoding - Encodes game history and board states into numerical tensors for use in neural networks.
- Machine Learning Evaluation - Ships tools for calculating evaluation metrics and tracking agent behavior to identify performance trends during learning.
- Reinforcement Learning Algorithm Analyzers - Includes tools for comparing the performance and convergence of different learning algorithms using standardized metrics.
- Research Libraries - Provides a research library of planning algorithms and evaluation metrics to analyze agent learning dynamics.
- Algorithm Implementations - Provides a library of decoupled search and learning algorithm implementations that interact with game environments.
- Python-C++ Bindings - Utilizes C++ wrappers to expose performance-critical game logic to Python for efficient simulation.
