目录

1  引言

2  国内外现状研究

2.1 国内研究情况

2.2  国外研究情况

3 深度学习

4 强化学习

5 朴素贝叶斯算法

参考文献

基于朴素贝叶斯分类的强化学习及在游戏中的应用

1  引言

随着科技的高速发展，我们玩的游戏也变得复杂多样。但是那么复杂的游戏并不是很适合那些悠闲的佛系玩家，所以先在也出现了很多游戏自带的脚本，帮助玩家提升战力，而且玩家并不用付出多少努力。这些也只有那些游戏的开发商才能添加的程序。所以我们该如何做出一个万能的算法或者程序，来让计算机自己学习游戏规则，提升能力呢？其实这个想法早就被实现并应用于简单的小游戏中。本文介绍了朴素贝叶斯和强化学习的定义及原理，结合朴素贝叶斯算法和强化学习算法建立模型应用计算机语言实现计算机对游戏的自我学习，找到游戏的最优通过方案。这对于我国对人工智能的发展具有重大的意义，帮助我们轻松游戏，快乐生活。

2  国内外现状研究

2.1 国内研究情况

机器学习算法中的朴素贝叶斯算法进行研究，贝叶斯分类算法是机器学习和数据挖掘研究领域的一个重要算法。其中朴素贝叶斯算法是贝叶斯分类算法中较为基础和简便的一种分类算法。朴素贝叶斯算法的优点包括稳定性高，简便，高效和理论基础强等。朴素贝叶斯算法的分类质量在很大的程度上取决于构造方法的选择，以及待分类数据的特性和数量。朴素贝叶斯的基本要求是各个数据间必须为独立性事件。但在现实生活中，往往很难获得满足独立性的事件，因此朴素贝叶斯算法在实际应用上有较大的局限性

深度学习作为一种无监督的图像识别的技术极大实现中间没有进行额外的人工标记的工作。强化学习是通过优化累积的未来奖励信号学习连续决策问题的良好策略。两者的结合使得深度强化学习实现识别图像到动作选择的一种全新的算法，可以直接根据输入的图像实现控制功能，是一种类似于人类学习方式的人工智能方法，其特点是达到和人类一样由感知信息比如视觉，然后通过深度神经网络直接输出相应的动作。深度强化学习具备使机器人实现真正完全自主的学习技能的潜力。深度强化学习在理论和应用方面均取得了显著的成果，对促进人工智能领域的发展具有极大的意义。

深度强化学习是人工智能领域的一个新的研究热点.它以一种通用的形式将深度学习的感知能力与强化学习的决策能力相结合,并能够通过端对端的学习方式实现从原始输入到输出的直接控制.自提出以来,在许多需要感知高维度原始输入数据和决策控制的任务中,深度强化学习方法已经取得了实质性的突破.该文首先阐述了三类主要的深度强化学习方法,包括基于值函数的深度强化学习、基于策略梯度的深度强化学习和基于搜索与监督的深度强化学习;其次对深度强化学习领域的一些前沿研究方向进行了综述,包括分层深度强化学习、多任务迁移深度强化学习、