|
|
Počítač jako inteligentní spoluhráč ve slovně-asociační hře Krycí jména
Jareš, Petr ; Fajčík, Martin (oponent) ; Smrž, Pavel (vedoucí práce)
Tato práce řeší určování sémantické podobnosti slov. K tomu je využita kombinace prediktivního modelu fastText a metody založené na počtu Pointwise Mutual Information. Je zde popsán systém, který s využitím sémantických modelů je schopen zastoupit hráče ve slovně-asociační hře Krycí jména. Systém má implementovanou herní strategii využívající informace z průběhu hry k prospěchu týmu, za který hraje. Systém je schopen plnit funkci hráče hádajícího asociovaná slova k nápovědě, tak i hráče vytvářejícího vlastní nápovědy.
|
|
|
Počítač jako inteligentní spoluhráč ve slovně-asociační hře Krycí jména
Jareš, Petr ; Fajčík, Martin (oponent) ; Smrž, Pavel (vedoucí práce)
Tato práce řeší určování sémantické podobnosti slov. K tomu je využita kombinace prediktivního modelu fastText a metody založené na počtu Pointwise Mutual Information. Je zde popsán systém, který s využitím sémantických modelů je schopen zastoupit hráče ve slovně-asociační hře Krycí jména. Systém má implementovanou herní strategii využívající informace z průběhu hry k prospěchu týmu, za který hraje. Systém je schopen plnit funkci hráče hádajícího asociovaná slova k nápovědě, tak i hráče vytvářejícího vlastní nápovědy.
|
|
|
Artificial Intelligence for Children of the Galaxy Computer Game
Šmejkal, Pavel ; Gemrot, Jakub (vedoucí práce) ; Trunda, Otakar (oponent)
Ačkoli je umělá inteligence (UI) dnes schopna úspěšně řešit mnoho klasických her, na poli počítačových strategických her UI oponenti stále velmi pozadu. V této práci řešíme problém soubojů ve strategických počítačových hrách tím, že adaptujeme existující přístupy: Portfolio greedy search (PGS) a Monte-Carlo tree search (MCTS). Dále také představujeme vylepšenou verzi MCTS, nazvanou MCTS considering hit points (MCTS_HP). Kvalita těchto metod je uvažována v kontextu nedávno vydané 4X strategické hry Children of the Galaxy. Pro tuto hru implementujeme simulátor soubojů a vyhodnocovací framework, ve kterém srovnáváme různé přístupy k UI. Ukazujeme, že pro malou až střední velikost souboje jsou MCTS metody lepší než PGS. Ve všech scénářích je MCTS_HP lepší nebo stejně dobré jako klasické MCTS díky lépe vedenému prohledávání. V malých bitvách dokonce MCTS_HP se 100 milisekundovým časovým limitem poráží klasické MCTS s dvousekundovým časovým limitem. Kombinací rychlého hladového prohledávání PGS pro velké bitvy a přesnějšího MCTS_HP pro menší bitvy je možné dosáhnou univerzálnějšího UI hráče.
|
|
|
Classic Card Games
Mifek, Jakub ; Gemrot, Jakub (vedoucí práce) ; Bída, Michal (oponent)
Přestože jsou k dispozici knihovny zjednodušující tvorbu karetních her, pouze několik z nich umožňuje dostatečně obecný návrh umožňující tvorbu jakékoliv klasické karetní hry. Naše knihovna poskytuje jednoduché řešení pro tvorbu klasických karetních her a jejich grafickou reprezentaci. Součástí našeho řešení je klient-server aplikace schopná spustit libovolnou karetní hru vytvořenou pomocí naší knihovny. Pro ověření funkčnosti naší knihovny jsme implementovali pět ukázkových karetních her. Také jsme vytvořili samoučící umělou inteligenci, která je schopna se s minimálním zásahem ze strany programátora naučit libovolnou klasickou karetní hru vytvořenou pomocí naší knihovny. Pro tuto umělou inteligenci jsme zvolilli metodu Q-Learning posilovaného učení. Doufáme, že náš projekt umožní jednoduchou a efektivní tvorbu karetních her a jejich distribuci herní komunitě.
|
|
|
RacingCarSim
Homa, Martin ; Gemrot, Jakub (vedoucí práce) ; Krijt, Filip (oponent)
Šoférovanie patrí od vzniku automobilu k obľúbeným činnostiam nielen mužského pokolenia. Je s ním spojená dávka zábavy a adrenalínu, ktorú je možné vidieť u automobilových nadšencov každý deň. Práve ich častokrát zaujíma, čo sa skrýva za samotným pohybom auta. Cieľom tejto práce je osloviť túto skupinu ľudí a podať im odpovede na ich otázky zábavnou formou. Za týmto účelom bola vytvorená aplikácia, ktorá na základe pokročilého fyzikálneho modelu poskytuje jej užívateľovi možnosť simulovať jazdenie s automobilom v rôznom prostredí a sledovať, ako sa automobil správa a aké fyzikálne veličiny ho ovplyvňujú. Braný je pri tom ohľad na čo najväčšiu konfigurovateľnosť, preto si môže užívateľ automobil sám nadefinovať a prostredie upravovať. Ak sa tak rozhodne, môže ho zaujímať ešte jedna otázka. Ako rýchlo je možné s týmto autom jazdiť? Odpoveď je taktiež zahrnutá v rámci tejto aplikácie, ktorá implementuje do simulácie umelého hráča. Tento hráč sa snaží naučiť jazdiť po užívateľom definovanej závodnej stope čo najrýchlejšie, pričom proces učenia a jeho súčasti sú taktiež konfigurovateľné. Učenie je avšak veľmi citlivé na nastavenie parametrov a reprezentáciu prostredia, preto dosiahnutie požadovaného výsledku nie je triviálne.
|
|
|
Obrana význačných míst ve hře Star Craft: Brood War
Šťavík, Petr ; Gemrot, Jakub (vedoucí práce) ; Pilát, Martin (oponent)
Navzdory úsilí v oblasti umělé inteligence pro strategické hry v reálném čase, se počí- tačově řízeným agentům (botům) stále nedaří porazit ani průměrné lidské hráče. Jedním z klíčů k úspěchu v těchto hrách je schopnost využít různé taktické body na mapě, jako jsou ku příkladu chokepoints - úzké průchody spojující otevřené oblasti ve hře. Pomocí genetických algoritmů a simulátoru SparCraft pro hru StarCraft: Brood War, popisujeme metodu generování výhodných rozložení jednotek pro obranu chokepointů. Naše exper- imenty ukazují, že rozložení vytvořené pomocí naší metody mají výrazně lepší výsledky než náhodná rozložení a jsou srovnatelné s rozloženími, která jsou tradičně používána lidskými hráči. Naše metoda může být také použita k vytvoření databáze výhodných rozložení jednotek, jež by mohla být začleněna do stávajících botů pro hru StarCraft: Brood War. 1
|
|
|
Artificial Player for Hearthstone Card Game
Ohman, Ľubomír ; Gemrot, Jakub (vedoucí práce) ; Mráz, František (oponent)
The goal of this work was to create an artificial agent that is able to learn how to play Hearthstone with given deck of cards. We decided to use Q-learning algorithm to achieve it. The side effect of this work is the transformation of the simple simulator of Hearthstone into the framework for developing Artificial Intelligence in this game. For the purpose of training and evaluation, commonly played strategies served us as inspiration for the testing agents that we developed. This work contains comparison of the table representation of Q-function and the neural network approximation of it. The original goal was fulfilled partially. We were successful in the creation of the learning agent but he is only able to learn one specific strategy.
|
host ::
RSS.