Spieltheorie + RL: Frühzeitiges Beenden von Trainingsläufen steigert Grenzverteidigung

In einer neuen Studie kombinieren Forscher Spieltheorie und Reinforcement Learning (RL), um die Effizienz von Grenzverteidigungsstrategien zu erhöhen. Durch die Nutzung analytischer Lösungen aus der Spieltheorie können sie die Lernphase von RL-Algorithmen gezielt verkürzen, ohne dabei die Qualität der erlernten Strategien zu beeinträchtigen.

Der Ansatz basiert auf der Apollonius‑Circle‑Methode, die im Nach-Erkennungs‑Phase des Spiels die optimalen Bewegungen des Verteidigers berechnet. Sobald ein Eindringling entdeckt wird, kann das RL-Training frühzeitig beendet werden, weil die nachfolgenden Aktionen bereits optimal bestimmt sind. So konzentriert sich das Lernsystem ausschließlich auf die Suchphase, was die Trainingszeit deutlich reduziert.

Experimentelle Ergebnisse zeigen, dass die Methode in Ein- und Mehrverteidiger‑Setups die erzielten Belohnungen um 10 – 20 % steigert, die Konvergenz beschleunigt und die Suchtrajektorien effizienter gestaltet. Die Kombination aus theoretischer Optimalität und adaptivem Lernen demonstriert damit einen vielversprechenden Weg, komplexe Verteidigungsaufgaben in realen Szenarien zu meistern.