Ce diaporama a bien été signalé.
Nous utilisons votre profil LinkedIn et vos données d’activité pour vous proposer des publicités personnalisées et pertinentes. Vous pouvez changer vos préférences de publicités à tout moment.
Google AI Challenge 2011: Analyse der Algorithmen und Strategien Bachelorarbeit von Olexandr Savchuk25.01.2012 | Fachberei...
Inhalt  Google AI Challenge  AI Challenge 2011: Ants  Algorithmen    Suche und Ausbreitung    Kampf    Weitere Algor...
Google AI Challenge  Öffentlicher KI-Wettbewerb    ursprünglich von University of Waterloo    gesponsert durch Google ...
AI Challenge 2011: Ants  Jeder Bot steuert eine Kolonie von Ameisen  Rechteckiges Spielfeld mit überlaufenden Rändern   ...
AI Challenge 2011: Ants                                            Demospiel        http://aichallenge.org/visualizer.php?...
AI Challenge 2011: Ants  Umgebung des Spiels:    Mehrere Agenten    Adversarial    Unvollständige Information      Fo...
Inhalt  Google AI Challenge  AI Challenge 2011: Ants  Algorithmen    Suche und Ausbreitung    Kampf    Weitere Algor...
Suche: BFS  Breitensuche    Eine oder mehrere Quellen sowie Ziele    Erweiterbar als A*  Baustein für weitere Algorith...
Ausbreitung: mein Ansatz  Breitensuche von Ameisen zum unbekannten sowie   unsichtbaren Terrain  Verteilung auf Prioritä...
Ausbreitung: Collaborative Diffusion  Collaborative Diffusion: Programming Antiobjects   (A. Repenning, University of Col...
Kampf: Minimax  Suchbaum mit möglichen Bewegungen in Knoten  Evaluation zum Bestimmen des Optimums  Komplex    Hoher B...
Kampf: Minimax (mein Ansatz)  Baumebene = Halbzug  Evaluation nach jeder 2. Ebene  Bewegungen für ganze Gruppen von Ame...
Kampf: Minimax (xathis)                  A                          B                                   C          X      ...
Kampf: Influence map (Memetix)  Algorithmus:   1. Für alle Ameisen, für jede der 5 möglichen Positionen :      rechnen, ...
Genetische Optimierung  Optimierung der Heuristiken durch genetische Verfahren    Evaluation im Kampf    Startwerte für...
Symmetrieerkennung  Bekannte Information:    Größe der Spielkarte  Unbekannte Information:    Anzahl der Gegner    Po...
Weitere Strategien  Statische Formationen    Verteidigung der Hügel    „Gitternetze“ zum Abdecken des erkundeten Gebiet...
Zusammenfassung  Große Vielfalt von Algorithmen  Viele Ansätze und Kombinationen  Keine eindeutig beste Lösung!25.01.20...
Vielen Dank fürs Zuhören!                                                 Fragen?25.01.2012 | Fachbereich 20 | Olexandr Sa...
Prochain SlideShare
Chargement dans…5
×

Analyse der Algorithmen und Strategien in der Google AI Challenge 2011

1 294 vues

Publié le

Präsentation meiner Bachelorarbeit im Rahmen des Oberseminars Knowledge Engineering an der TU Darmstadt, Januar 2012.

Publié dans : Formation
  • Soyez le premier à commenter

Analyse der Algorithmen und Strategien in der Google AI Challenge 2011

  1. 1. Google AI Challenge 2011: Analyse der Algorithmen und Strategien Bachelorarbeit von Olexandr Savchuk25.01.2012 | Fachbereich 20 | Olexandr Savchuk | 1
  2. 2. Inhalt  Google AI Challenge  AI Challenge 2011: Ants  Algorithmen  Suche und Ausbreitung  Kampf  Weitere Algorithmen  Zusammenfassung25.01.2012 | Fachbereich 20 | Olexandr Savchuk | 2
  3. 3. Google AI Challenge  Öffentlicher KI-Wettbewerb  ursprünglich von University of Waterloo  gesponsert durch Google  Programme („Bots“) spielen ein Spiel gegeneinander  in diversen Sprachen geschrieben  alles läuft auf den Challenge-Servern  Gewinner durch ein Ranking-System ermittelt  früher ELO, jetzt TrueSkill25.01.2012 | Fachbereich 20 | Olexandr Savchuk | 3
  4. 4. AI Challenge 2011: Ants  Jeder Bot steuert eine Kolonie von Ameisen  Rechteckiges Spielfeld mit überlaufenden Rändern  Ein oder mehrere Ameisenhaufen pro Spieler  Spielfeld symmetrisch  Essen erscheint zufällig, aber symmetrisch  Zugbasiert mit Zeitlimit  Alle Bots ziehen gleichzeitig  Jede Ameise kann pro Zug um ein Feld bewegt werden  Ziel: die Haufen der anderen Spieler zu überrennen  2 Punkte für das Überrennen, -1 für Verlust eines Haufens25.01.2012 | Fachbereich 20 | Olexandr Savchuk | 4
  5. 5. AI Challenge 2011: Ants Demospiel http://aichallenge.org/visualizer.php?game=346155&user=87125.01.2012 | Fachbereich 20 | Olexandr Savchuk | 5
  6. 6. AI Challenge 2011: Ants  Umgebung des Spiels:  Mehrere Agenten  Adversarial  Unvollständige Information  Fog of War  Stochastisch  Zufällig generierte Karten  Zufällige Verteilung des Essens  Unbekannte Aktionen der Gegner25.01.2012 | Fachbereich 20 | Olexandr Savchuk | 6
  7. 7. Inhalt  Google AI Challenge  AI Challenge 2011: Ants  Algorithmen  Suche und Ausbreitung  Kampf  Weitere Algorithmen  Zusammenfassung25.01.2012 | Fachbereich 20 | Olexandr Savchuk | 7
  8. 8. Suche: BFS  Breitensuche  Eine oder mehrere Quellen sowie Ziele  Erweiterbar als A*  Baustein für weitere Algorithmen  Vielseitig anwendbar:  Pfadfindung  Essen einsammeln  Ausbreitung  Gegnersuche … Quelle: Ben Jackson, http://forums.aichallenge.org/viewtopic.php?f=24&t=201025.01.2012 | Fachbereich 20 | Olexandr Savchuk | 8
  9. 9. Ausbreitung: mein Ansatz  Breitensuche von Ameisen zum unbekannten sowie unsichtbaren Terrain  Verteilung auf Prioritätsziele  Round-Robin verteilt gleichmäßig auf alle Ziele  Ziele: 1. Grenzen des erkundeten Gebiets 2. Gegnerische Hügel 3. Gegnerische Ameisen 4. Laufende Kämpfe  Diffusion von übrigen Ameisen25.01.2012 | Fachbereich 20 | Olexandr Savchuk | 9
  10. 10. Ausbreitung: Collaborative Diffusion  Collaborative Diffusion: Programming Antiobjects (A. Repenning, University of Colorado, OOPSLA 2006)  Diffusionswerte auf allen Feldern für FOOD, EXPLORE, HILL  Werte sind auf jeweiligen Zielfeldern maximal  und verteilen sich auf die Felder drum herum  Miteinbezogen wird, wann das Feld zuletzt gesehen wurde  Bewegung immer zum Feld mit größtem Wert  Vorteile:  Lineare Laufzeit abhängig nur von Kartengröße  Keine explizite Pfadfindung notwendig25.01.2012 | Fachbereich 20 | Olexandr Savchuk | 10
  11. 11. Kampf: Minimax  Suchbaum mit möglichen Bewegungen in Knoten  Evaluation zum Bestimmen des Optimums  Komplex  Hoher Branching Faktor: 5 Möglichkeiten pro Ameise  Muss in limitierter Zeit durchlaufen!  Viele Fragen zu beantworten:  Wie die Baumknoten generieren?  Welche Bewegungen betrachten?  Wie tief den Baum durchsuchen? …25.01.2012 | Fachbereich 20 | Olexandr Savchuk | 11
  12. 12. Kampf: Minimax (mein Ansatz)  Baumebene = Halbzug  Evaluation nach jeder 2. Ebene  Bewegungen für ganze Gruppen von Ameisen  Attack, Hold, Retreat, N/S/W/E, Idle  Vorteile:  Nachteile:  Beliebig große Gruppen  Unvollständig  Hohe Suchtiefe erreichbar  Etwas unflexibel bei sehr großen Kämpfen25.01.2012 | Fachbereich 20 | Olexandr Savchuk | 12
  13. 13. Kampf: Minimax (xathis) A B C X YQuelle:Mathis Lichtenbergerhttp://xathis.com/posts/ai-challenge-2011-ants.html25.01.2012 | Fachbereich 20 | Olexandr Savchuk | 13
  14. 14. Kampf: Influence map (Memetix)  Algorithmus: 1. Für alle Ameisen, für jede der 5 möglichen Positionen :  rechnen, wieviele Gegner im Kampfradius maximal sein können 2. Für alle meine Ameisen, markiere jede der 5 Positionen:  -1 wenn meine Ameise dort stirbt  -0.5 bei einem 1-1 Austausch  0 sonst 3. Bewege Ameisen in die Felder mit höchster Markierung  Vorteile:  Nachteile:  Gute Integration mit  Unvollständig Collaborative Diffusion  In manchen Situationen ungenau  Einfache Implementierung  Kein Vorausschauen  Geringe Laufzeit25.01.2012 | Fachbereich 20 | Olexandr Savchuk | 14
  15. 15. Genetische Optimierung  Optimierung der Heuristiken durch genetische Verfahren  Evaluation im Kampf  Startwerte für Diffusion  Schwierigkeiten:  Laufzeit  ~200 Züge á 500ms = 100s und mehr pro Spiel  Ergebnis eines Spiels wenig aussagekräftig  Unzureichende Vielfalt der Gegner  Spiele nur innerhalb der Population25.01.2012 | Fachbereich 20 | Olexandr Savchuk | 15
  16. 16. Symmetrieerkennung  Bekannte Information:  Größe der Spielkarte  Unbekannte Information:  Anzahl der Gegner  Positionen der gegnerischen Hügel  Ableitung der unbekannten Information möglich!  Information über Symmetrie:  sichtbares Wasser und Hügel  erscheinendes Essen25.01.2012 | Fachbereich 20 | Olexandr Savchuk | 16
  17. 17. Weitere Strategien  Statische Formationen  Verteidigung der Hügel  „Gitternetze“ zum Abdecken des erkundeten Gebiets  Spawn Control  Absichtliches Blockieren der eigenen Hügel  Neuronale Netzwerke25.01.2012 | Fachbereich 20 | Olexandr Savchuk | 17
  18. 18. Zusammenfassung  Große Vielfalt von Algorithmen  Viele Ansätze und Kombinationen  Keine eindeutig beste Lösung!25.01.2012 | Fachbereich 20 | Olexandr Savchuk | 18
  19. 19. Vielen Dank fürs Zuhören! Fragen?25.01.2012 | Fachbereich 20 | Olexandr Savchuk | 19

×