Браузерная демонстрация среды Clash Royale RL: политика REINFORCE из 5,6 тыс. параметров учит оборонительное размещение против брутфорс-оптимума

Автор представил интерактивную браузерную симуляцию Clash Royale, где рекуррентная политика на основе алгоритма REINFORCE с 5629 параметрами обучается оптимальному размещению защитной карты. Обучение реализовано на чистом JavaScript с ручными градиентами, а вычисления роутов выполняются через C++ движок, скомпилированный в WebAssembly. Результаты сравниваются с точным решением, найденным методом полного перебора.