Abstract FR:

Cette thèse étudie les défis posés par l'application de l'apprentissage par renforcement aux jeux de stratégie modernes. Ces jeux demandent aux joueurs de contrôler la prise de décisions d'un grand nombre d'unités placées sur un environnement très sophistiqué. Nous proposons STRADA, une nouvelle approche intégrée d'apprentissage pour la conception automatique de stratégies dans ce type d'environnement. STRADA combine de nouvelles idées avec des techniques actuelles de l'apprentissage automatique. Elle explore la réduction de la complexité du problème grâce à la décomposition de la prise de décisions et à l'abstraction des espaces d'états et d'actions. D'autre part, elle accélère le processus d'apprentissage des agents grâce à des techniques de généralisation et à l'amorçage du processus d'acquisition de l'expérience. Ces solutions sont intégrées dans un système efficace, dont les performances sont démontrées sur la tâche d'apprendre des stratégies dans le cadre d'un wargame commercial.