| Nächste Überarbeitung | Vorhergehende Überarbeitung Nächste ÜberarbeitungBeide Seiten der Revision |
| arbeiten:neuroevolution_in_digitalen_spielen [26.05.2017 14:48] – Erstellt mit dem Formular arbeiten:anlegen dem16469 | arbeiten:neuroevolution_in_digitalen_spielen [27.05.2017 09:37] – olm24811 |
|---|
| |
| === Hintergrund === | === Hintergrund === |
| In vielen Multiplayerspielen, wie beispielsweise DOTA2, Heroes of the Storm, StarCraft2 oder dergleichen, gibt es die Möglichkeit, gegen oder auch zusammen mit computergesteuerten Spielern zu spielen. Gerade bei kompetitiven Spielen wird dies genutzt, um neuen Spielern die Möglichkeit zu geben, Techniken und Strategien des Spiels zu erlernen. Allerdings zeigt sich das Problem, dass die simulierten Mitspieler meist nur rudimentär simuliert sind oder gar im Hintergrund mogeln und somit den Spielraum zur Strategieentwicklung stark limitieren. Ferner entwickeln sich diese Bots nicht weiter und kennen aktuelle Strategien schlichtweg nicht, was es für Einsteiger noch schwieriger macht, in einem geschützten Raum das Spiel zu erlernen. Können alterative Ansätze der künstlichen Intelligenz dafür eingesetzt werden, um dieses Problem zu lösen? | In vielen Multiplayerspielen, wie beispielsweise DOTA2, Heroes of the Storm, StarCraft2 oder dergleichen, gibt es die Möglichkeit, gegen oder auch zusammen mit computergesteuerten Spielern zu spielen. Gerade bei kompetitiven Spielen wird dies genutzt, um neuen Spielern die Möglichkeit zu geben, Techniken und Strategien des Spiels zu erlernen. Allerdings zeigt sich das Problem, dass die simulierten Mitspieler meist nur rudimentär simuliert sind oder gar im Hintergrund mogeln und somit den Spielraum zur Strategieentwicklung stark limitieren. Ferner entwickeln sich diese Bots nicht weiter und sind nicht in der Lage, sich den Strategien des Spielers oder unvorhersehbaren Anforderungen in der Spielumgebung anzupassen. Können alternative Ansätze der künstlichen Intelligenz dafür eingesetzt werden, um dieses Problem zu lösen und adaptivere digitale Agents zu entwicklen? |
| |
| === Zielsetzung der Arbeit === | === Zielsetzung der Arbeit === |
| Im Rahmen dieser Bachelorarbeit soll die Neuroevolution, eine Alternative der KI Programmierung, mit einer gängigen Technik der Spieleentwicklung verglichen werden. Das Ziel ist die Evaluation der beiden Techniken hinsichtlich ihrer Performance. | Im Rahmen dieser Bachelorarbeit soll die Neuroevolution, eine Methode zur adaptiven Entwicklung der Topologie neuronaler Netze mit genetischen Algorithmen, mit dem Q-Learning Algorithmus mit einem neuronalen Netz mit vordefinierter Topologie als Funktionsapproximator verglichen werden. Das Ziel ist die Implementierung und anschließende Evaluation der beiden Strategien hinsichtlich ihrer Performance in einer vereinfachten Spielsimulation. |
| |
| === Konkrete Aufgaben === | === Konkrete Aufgaben === |
| === Weiterführende Quellen === | === Weiterführende Quellen === |
| Yannakakis, G. N. (2012). Game AI Revisited. In Proceedings of the 9th Conference on Computing Frontiers (pp. 285–292). New York, NY, USA: ACM. http://doi.org/10.1145/2212908.2212954 | Yannakakis, G. N. (2012). Game AI Revisited. In Proceedings of the 9th Conference on Computing Frontiers (pp. 285–292). New York, NY, USA: ACM. http://doi.org/10.1145/2212908.2212954 |
| |