|
|
Řízení entit ve strategické hře založené na multiagentních systémech
Knapek, Petr ; Kočí, Radek (oponent) ; Zbořil, František (vedoucí práce)
Tato práce se zaměřuje na návrh a implementaci systému podpory učení a plánování agentů schopných hry real-time strategických her typu StarCraft. Budou vysvětleny problémy ovládání herních objektů a protivníků počítačem a představeny obvykle používané způsoby řešení. Na základě analýzy je navržen a implementován nový systém využívající multiagentního přístupu k ovládání hry a metod strojového učení, který je schopný porážet protivníky a přizpůsobovat se novým výzvám.
|
|
|
Umělá inteligence ve strategických počítačových hrách
Votroubek, Lukáš ; Přibyl, Bronislav (oponent) ; Zuzaňák, Jiří (vedoucí práce)
Tato práce se zabývá metodami používanými v umělé inteligenci strategických počítačových her, mnohé z těchto metod jsou však použitelné i v jiných oblastech. Jsou to různé metody pro rozhodování (např. stavové automaty, fuzzy logika, markovy řetězce), plánování (cílem orientované plánování, plánování monte-carlo, plánování založené na případech) a strojového učení (posilové učení, rozhodovací stromy a neuronové sítě). Cílem této práce je tyto metody z různých zdrojů nastudovat a vysvětlit základní princip několika z nich. Poté několik vybraných metod rozebrat více do dopodrobna a implementovat je (cílem orientované plánování a stavový automat). Při implementaci a následném testování byl využit herní engine ORTS, kterým se tato práce také zabývá.
|
|
| |
|
|
Strategická desková hra s neurčitostí
Gerža, Martin ; Zbořil, František (oponent) ; Zbořil, František (vedoucí práce)
Tato práce je zaměřena na realizaci systému pro hraní deskové hry Scotland Yard autonomně a porovnání tohoto systému s jemu podobnými. Zaměřil jsem se na získání dostatečných informací o možnostech metod, které by měly být pro takový systém vhodné a rozhodl jsem se realizovat tento systém za pomocí metody Monte Carlo Tree Search. Výsledná realizace systému byla podrobena testování vůči podobným systémům, přičemž bylo dosaženo výborného výsledku proti jinému systému, který využíval totožnou metodu. Proti systému využívajícímu metody Alfa-Beta bylo dosaženo výsledků vyrovnaných. Hlavním výsledkem práce je funkční verze autonomního systému pro hraní hry Scotland Yard na zmenšeném poli. Zároveň je poskytnuta možnost využití dvou podobných systémů v rámci jednoho programu za účelem porovnávání jejich realizací.
|
|
|
Multiagentní podpora pro vytváření strategických her
Knapek, Petr ; Uhlíř, Václav (oponent) ; Zbořil, František (vedoucí práce)
Tato práce je věnována návrhu systému schopného tvorby obecných, autonomních ovládacích prvků strategických her založených na agentních systémech s podporou sociálních schopností, inteligentního rozhodování a učení. Budou popsány základní typy strategických her a problémy náročnosti jejich hraní, stejně jako aktuální trendy ve vývoji herních inteligencí. Poté budou prezentovány návrh a implementace výsledného systému, fungující model pro konkrétní hru a výsledky dosažené jeho testováním.
|
|
|
Strategie herních systémů
Švestka, Marek ; Tóth, Michal (oponent) ; Zemčík, Pavel (vedoucí práce)
Obsahem této práce je reprezentace chování umělé inteligence v počítačových hrách. Cílem bylo najít vhodné metody k její interpretaci. Tato problematika byla vyřešena implementací " map", což jsou n-rozměrné matice nesoucí informace o průběhu dané hry a dochází k jejich časté aktualizaci. V práci bylo použito několik druhů těchto matic a každá slouží k jinému účelu. Dále byl navrhnut způsob, jak se počítačový protivník může vyvíjet během dané partie hry a vytvořen algoritmus, který mu dává představu o prostoru, ve kterém se nachází. Přínosem práce je způsob, jakým lze " napodobit" chování skutečného hráče při hraní konkrétní hry. Řešení by také mohlo býti přínosem pro simulátor vojenských bitev ve skutečném světě.
|
|
|
Strategická desková hra s neurčitostí
Sova, Michal ; Zbořil, František (oponent) ; Zbořil, František (vedoucí práce)
Tato páce řeší autonomní hraní hry Scotland Yard za využití metody strojového učení. Daný problém je vyřešen pomocí algoritmu Monte Carlo tree search. Algoritmus Monte Carlo tree search byl testován proti algoritmu Alfa-beta. Výsledky testování ukázaly, že navržený algoritmus je funkční, ale procento výher u algoritmu Monte Carlo tree search je nižší než u algoritmu Alfa-beta. Výsledkem práce je funkční verze systému, který hraje zjednodušenou verzi hry Scotland Yard autonomně. Dále práce obsahuje rozšíření hry Scotland Yard přidáním agentů a změnou parametrů. Rozšíření této verze pro algoritmus Alfa-beta nebylo úspěšné kvůli nedostatečné kapacity vlastních zdrojů. Naopak algoritmus Monte Carlo tree search se jeví v tomto ohledu úspěšnější.
|
|
|
Strategická desková hra s neurčitostí
Tulušák, Adrián ; Šimek, Václav (oponent) ; Zbořil, František (vedoucí práce)
Táto práca rieši autonómne fungovanie hry Scotland Yard za využitia metód umelých inteligencií pre hranie hier a strojového učenia. Daný problém je úspešne vyriešený pomocou algoritmu pre hranie hier - Alfa-beta. Strojové učenie bolo riešené, ale nebolo úspešné najmä pre veľkú stavovú expanziu a pre nedostatočné možnosti vlastných zdrojov výpočtového výkonu. Riešenie pomocou algoritmu Alfa-beta bolo testované ľudským protihráčom a výsledok testovania ukázal schopnosť AI plnohodnotne konkurovať ľudskému hráčovi. Výsledkom práce je funkčná verzia autonómneho systému, ktorý hrá hru Scotland Yard v zmenšenej hernej ploche. Na základe experimentov so strojovým učením som navrhol niekoľko vylepšení, ktoré by v budúcnosti mohli viesť k funkčnému riešeniu problému strojovým učením.
|
|
|
Deep Learning Methods for Machine Playing the Scotland Yard Board Game
Hrkľová, Zuzana ; Janoušek, Vladimír (oponent) ; Zbořil, František (vedoucí práce)
This theses concerns with deep learning methods applied to machine playing board games containing movement uncertainty. Reinforcement learning principles with main focus on Q-learning algorithms were studied, among which Deep Q--Network had been chosen and applied on simplified rules of the Scotland Yard board game. The final implementation was put to test against Alpha-Beta and Monte Carlo Tree Search. The results have shown that the hider driven by DQN represented the hardest opponent for the other two methods, while the DQN seekers did not manage to surpass past results. Although the implemented method did not reach better results than currently known methods, it proved to be the least demanding when considering computational resources and time needed to perform a given move, making it the most perspective to implement on original version of the game in the future.
|
|
| |
host ::
RSS.