BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20260623T115537Z LAST-MODIFIED:20260623T115537Z DTSTAMP:20260717T020339Z UID:1784243019@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Αθανασίου Κασσελά - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.tuc.gr/el/to-polytechnei o/ilektronikes-ypiresies/imerologio/ imerologio-ekdiloseon-1?tx_tucevents 2_tuceventsdisplay%5Baction%5D=show& tx_tucevents2_tuceventsdisplay%5Bcon troller%5D=Event&tx_tucevents2_tucev entsdisplay%5Bevent%5D=8491&cHash=5f 130fde71f89fdf359ac571c689ae7a\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Αθ ανασίου Κασσελά\n με θέμα\n Βαθιά Εν ισχυτική Μάθηση σε Στρατηγικά Περιβά λλοντα Πραγματικού Χρόνου\n Deep Rei nforcement Learning in a Real Time S trategy Environment\n Εξεταστική Επι τροπή\n Καθηγητής Γεώργιος Χαλκιαδάκ ης (επιβλέπων)\n Καθηγητής Μιχαήλ Λα γουδάκης \n Καθηγητής Θρασύβουλος Σπ υρόπουλος\n Περίληψη\n Τα παιχνίδια στρατηγικής σε πραγματικό χρόνο, όπω ς το StarCraft II, ανήκουν στα πιο δ ύσκολα περιβάλλοντα για την τεχνητή νοημοσύνη. Ο παίκτης πρέπει να μαζεύ ει πόρους, να χτίζει στρατό και να δ ίνει μάχες, όλα σε πραγματικό χρόνο, ενώ βλέπει μόνο το κομμάτι του χάρτ η που έχουν ήδη επισκεφθεί οι δικές του μονάδες. Η παρούσα διπλωματική ε ργασία μελετά πώς ένας τεχνητός πράκ τορας μπορεί να εκπαιδευτεί σε τέτοι α παιχνίδια με τη βοήθεια της βαθιάς ενισχυτικής μάθησης, μιας τεχνικής στην οποία ο πράκτορας βελτιώνει τη συμπεριφορά του επιλέγοντας ενέργειε ς και αξιολογώντας την ανταμοιβή που λαμβάνει. \n Υλοποιούμε δύο τέτοιου ς πράκτορες, έναν από καθεμία από τι ς δύο κύριες κατηγορίες της βαθιάς ε νισχυτικής μάθησης και τους εκπαιδεύ ουμε υπό τις ίδιες συνθήκες σε τέσσε ρα σύντομα εκπαιδευτικά σενάρια του StarCraft II που έχει δημοσιεύσει η ερευνητική μονάδα γνωστής μεγάλης ετ αιρείας πληροφορικής. Για τη διασφάλ ιση μιας δίκαιης σύγκρισης, χρησιμοπ οιούμε μια πληρέστερη αναπαράσταση τ ης κατάστασης του περιβάλλοντος, προ σθέτουμε μια νέα δυνατότητα που επιτ ρέπει στον πράκτορα να επιλέγει ποια μονάδα θα ελέγξει και αποφεύγουμε τ η διαμόρφωση της ανταμοιβής, ώστε οι πράκτορες να μαθαίνουν αποκλειστικά από την πρωτογενή βαθμολογία του πα ιχνιδιού. \n Στα πιο εύκολα σενάρια οι πράκτορες σημειώνουν επιδόσεις συ γκρίσιμες με άλλες μελέτες μικρής κλ ίμακας, καθώς επίσης χρησιμοποιούμε σημαντικά μικρότερο υπολογιστικό πόρ ο σε σχέση με μεγάλες ερευνητικές ομ άδες. Στο πιο απαιτητικό σενάριο, όπ ου απαιτείται η ανάπτυξη οικονομίας και η παραγωγή στρατού από το μηδέν, οι πράκτορες δεν καταφέρνουν να ανα πτύξουν μια αποτελεσματική στρατηγικ ή, κάτι που επιβεβαιώνει τη γνωστή α δυναμία της μεθόδου όταν οι ανταμοιβ ές είναι σπάνιες και ο χρονικός ορίζ οντας μεγάλος. Το τελευταίο κεφάλαιο συζητά τους περιορισμούς της υλοποί ησής μας και προτείνει κατευθύνσεις για μελλοντική έρευνα, όπως ιεραρχικ ές μεθόδους, αναδρομική μνήμη και κα λύτερα σήματα ανταμοιβής.\n Abstract  \n Real-time strategy games such as StarCraft II are difficult testbeds for artificial intelligence because a player has to manage economy, pro duction, movement, and combat at the same time. The player also acts und er partial observability, seeing onl y the parts of the map that their ow n units have already visited. This t hesis studies how an agent can learn to play in this environment, using Deep Reinforcement Learning, a learn ing paradigm in which the agent impr oves by interacting with the game an d adapting its behaviour via employi ng Deep Neural Networks to evaluate its decision policy based on reward signals it receives from the environ ment. \n We implement two agents fro m different families of Deep Reinfor cement Learning: a Deep Q-Network ag ent and a synchronous Advantage Acto r-Critic agent. Both are implemented in TensorFlow 2 and trained under t he same conditions on four short PyS C2 mini-games released with DeepMind ’s StarCraft II research environment . To ensure a fair comparison, both agents use the same two-channel scre en representation, the same action-a rgument factorisation, and the same decision rate. We also add a unit-se lection head for the A2C agent and k eep the reward signal unshaped, so b oth agents learn only from the scori ng rules provided by PySC2. \n On th e easier scenarios the agents reach scores that are competitive with oth er small-scale studies on the same e nvironment, despite the much smaller compute budget available for this p roject. On the hardest scenario, the agents do not learn an effective pr oduction policy. This result is cons istent with a known limitation of fl at approaches when rewards are rare and the time horizon is long. The fi nal chapter discusses the limitation s of our implementation and suggests future research directions, such as hierarchical methods, recurrent mem ory, and better reward signals.  \n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260709T120000 DTEND:20260709T130000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR