7 Wonders žaidimo agentų kūrimo strategijos ir jų palyginimai

Ištrauka

7 Wonders žaidimo agentų kūrimo strategijos ir jų palyginimai
Bakalauro baigiamasis darbas

Turinys
ĮVADAS 5
1. „7 WONDERS“ STALO ŽAIDIMAS 8
1.1. Žaidimo principas 8
1.2. Žaidimo jgyvendinimas 8
1.2.1 Atviro kodo žaidimo jgyvendinimas
8
1.2.2 Atviro kodo žaidimo gerinimo priežastys
9
1.2.3. Pagerintas žaidimo jgyvendinimas 9
1.2.4 Programiniai sprendimai
10
1.3. Žaidimo kompleksiškumas 10
2. DETERMINISTINIS AGENTAS 12
2.1. Žaidimo kortos ir jų ypatumai 12
2.2. Pirmo amžiaus euristika 14
2.3. Antro amžiaus euristika 15
2.4. Trečio amžiaus euristika 15
2.5. Godi kortų pasirinkimo euristika 15
2.6. Galimi pagerinimai 16
3. MONTEKARLO MEDŽIŲ PAIEŠKA PAREMTAS AGENTAS 17
3.1. MCTS architektūra 17
3.2. MCTS pagerinimo strategijos 18
3.2.1. Mėginio pasirinkimas 20
3.2.2 Atgalinis informacijos atnaujinimas
21
3.2.3. Probleminės srities žinių integracija 21
3.2.4. Geriausio ėjimo vertinimo funkcija 22
3.2.5. Medžio struktūra 22
3.2.6. Ėjimų imties mažinimas 25
3.3. Kiti galimi pagerinimai 26
4. TYRIMAS 27
4.1. Deterministinio agento testavimas 27
4.2. MCTS agento testavimas 27
4.3. Skirtingų agentų kūrimo metodų palyginimas 35
REZULTATAI IR IŠVADOS 38
ŠALTINIAI 39
SANTRUMPOS 41

Įvadas
Tyrimo objektas
Dirbtinio intelekto srityje mokslininkai nuolatos stengiasi sukurti
kompetentingus agentus, gebančius priimti sudėtingus sprendimus
kompleksiškose srityse. Šis tyrimas skirtas būtent stalo žaidimų srities
dirbtinio intelekto kūrimui, visą dėmesj sutelkiant j populiaraus stalo
žaidimo „7 Wonders“ kompiuterinio agento kūrimo subtilybes.
Tyrimas yra apribotas dviem skirtingomis metodikomis:
deterministiniu sprendimu ir algoritminiu paremtu MonteKarlo medžių paieška.
Tyrimo aktualumas
Tyrimo rezultatai gali prisidėti prie platesnio dirbtinio intelekto srities
supratimo, suteik dami jžvalgų apie skirtingų sprendimų veiksmingumą
strateginių stalo žaidimų kontekste. Kai deterministiniai algoritmai
remiasi iš anksto nustatytomis taisyklėmis ir išsamia probleminės srities
informacija, MonteKarlo medžių paieška naudoja tikimybėmis ir
simuliacijomis pagrjstą spren dimų pasirinkimo metodą. Nagrinėdami jų
rezultatus sudėtingo ir strategiško žaidimo kaip „7 Wonders“ rėmuose,
siekiame atskleisti kiekvienos metodikos stipriąsias ir silpnąsias puses bei
jų naudojamus kompromisus.
Tyrimo tikslas
Pagrindinis tyrimo tikslas yra išbandyti jvairias MonteKarlo medžių paieškos
algorit mo strategijas „7 Wonders“ žaidimo agento kūrimui ir palyginti jas tarpusavyje
bei su stipriu deterministiniu metodu.
Tyrimo uždaviniai
Kad pasiekti užsibrėžtą tikslą buvo išsikelti keli uždaviniai:
1.Sukurti pilnas žaidimo taisykles ir galimybes apimantj simuliatorių.
2.Sukurti efektyviai gebantj žaisti deterministinj agentą.
3.Sukurti kelis skirtingus agentus remiantis literatūroje
siūlomomis MCTS algoritmo strategijomis:
•ėjimų imties mažinimas remiantis probleminės srities
žiniomis, mažinti kiekj mažai tikėtinų ėjimų medžio plėtimo
žingsnyje,
•skirtingos mėginio pasirinkimo funkcijos paremtos UCT formule,
•skirtingos geriausio ėjimo pasirinkimo funkcijos,
•apjungtų ėjimų MCTS vienas medžio lapas reprezentuoją
žaidimo būseną su visų žaidėjų pasirinktais ėjimais.
4.Pritaikyti MCTS algoritmą efektyviai ir kompetentingai žaisti „7
Wonders“ žaidimą.
5.Palyginti skirtingus agentus ir jų efektyvumą tarpusavyje.