Técnicas de aprendizado de máquina aplicadas em jogos RTS

Detalhes bibliográficos
Autor(a) principal: Antonio Luis Cardoso Silva
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFMG
Texto Completo: http://hdl.handle.net/1843/46487
Resumo: O domínio de Jogos de Estratégia em Tempo Real ou RTS apresenta grandes desafios para a área de inteligência artificial por ser um ambiente dinâmico, em tempo real, adversarial e incerto. Um método para abordar esses desafios é através do uso de algoritmos de aprendizagem de máquina onde o agente inteligente aprende utilizando dados de partidas jogadas por humanos. Nesse trabalho foram implementadas diversas técnicas de aprendizado na criação de um agente capaz de jogar Starcraft e predizer o resultado da partida. Para cuidar da parte estratégica e econômica da partida pelo agente inteligente foi utilizado planejamento online baseado em casos. Já para cuidar da parte de combate foi utilizado mapas de influência. Por fim, para a predição de resultados foram utilizadas redes neurais recorrentes. Para isso, também foi utilizada a base de dados STARDATA que possui informações de mais de 65000 partidas de Starcraft. O módulo de predição de partida conseguiu obter uma precisão entre 67% e 86% de acordo com o tempo de partida. Além disso, os módulos estratégicos, econômicos e de combate obteve melhores resultados que os respectivos trabalhos que serviram de referência. Já o agente inteligente competiu contra outros agentes da competição AIIDE 2017 e observou-se que ele consegue adaptar a diferentes situações do jogo.
id UFMG_784a134a481f177aa472080e442c5491
oai_identifier_str oai:repositorio.ufmg.br:1843/46487
network_acronym_str UFMG
network_name_str Repositório Institucional da UFMG
repository_id_str
spelling Luiz Chaimowiczhttp://lattes.cnpq.br/4499928813481251Gisele Lobo PappaRenato Antônio Celso Ferreirahttp://lattes.cnpq.br/3309257549584419Antonio Luis Cardoso Silva2022-10-21T14:38:22Z2022-10-21T14:38:22Z2020-12-04http://hdl.handle.net/1843/46487O domínio de Jogos de Estratégia em Tempo Real ou RTS apresenta grandes desafios para a área de inteligência artificial por ser um ambiente dinâmico, em tempo real, adversarial e incerto. Um método para abordar esses desafios é através do uso de algoritmos de aprendizagem de máquina onde o agente inteligente aprende utilizando dados de partidas jogadas por humanos. Nesse trabalho foram implementadas diversas técnicas de aprendizado na criação de um agente capaz de jogar Starcraft e predizer o resultado da partida. Para cuidar da parte estratégica e econômica da partida pelo agente inteligente foi utilizado planejamento online baseado em casos. Já para cuidar da parte de combate foi utilizado mapas de influência. Por fim, para a predição de resultados foram utilizadas redes neurais recorrentes. Para isso, também foi utilizada a base de dados STARDATA que possui informações de mais de 65000 partidas de Starcraft. O módulo de predição de partida conseguiu obter uma precisão entre 67% e 86% de acordo com o tempo de partida. Além disso, os módulos estratégicos, econômicos e de combate obteve melhores resultados que os respectivos trabalhos que serviram de referência. Já o agente inteligente competiu contra outros agentes da competição AIIDE 2017 e observou-se que ele consegue adaptar a diferentes situações do jogo.The Real Time Strategy Games (RTS) domain presents great challenges for the artificial intelligence area because it is a dynamic, real time, adversarial and uncertain environment. One method for addressing these challenges is through the use of machine learning algorithms where an intelligent agent learns using data of games played by humans. In this work, several machine learning techniques were implemented in the creation of an agent capable of playing Starcraft and predicting the outcome of the match. To take care of the strategic and economic part of the game by the agent, online case-based planning was used. To take care of the combat module, influence maps were used. To predict the match result we used recurrent neural networks. The STARDATA database was also used, which contains information on more than 6500 Starcraft games. The prediction module was able to obtain an accuracy between 67% and 86% according to the game time. Also, the strategic, economic and combat modules were more accurate than the works we used as reference. The intelligent agent competed against other agents in the AIIDE 2017 competition and it was observed that it manages to adapt to different situations in the game.CNPq - Conselho Nacional de Desenvolvimento Científico e TecnológicoporUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Ciência da ComputaçãoUFMGBrasilICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃOComputação – TesesJogos digitais – TesesInteligencia artificial – TesesRedes neurais – Teses.Inteligencia ArtificialJogosRedes NeuraisTécnicas de aprendizado de máquina aplicadas em jogos RTSMachine learning techniques applied in rts gamesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALDissertação Final.pdfDissertação Final.pdfapplication/pdf2941215https://repositorio.ufmg.br/bitstream/1843/46487/5/Disserta%c3%a7%c3%a3o%20Final.pdfaa535e4864a81411baf2095369bb9c59MD55LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/46487/6/license.txtcda590c95a0b51b4d15f60c9642ca272MD561843/464872022-10-21 11:38:22.759oai:repositorio.ufmg.br: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ório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2022-10-21T14:38:22Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
dc.title.pt_BR.fl_str_mv Técnicas de aprendizado de máquina aplicadas em jogos RTS
dc.title.alternative.pt_BR.fl_str_mv Machine learning techniques applied in rts games
title Técnicas de aprendizado de máquina aplicadas em jogos RTS
spellingShingle Técnicas de aprendizado de máquina aplicadas em jogos RTS
Antonio Luis Cardoso Silva
Inteligencia Artificial
Jogos
Redes Neurais
Computação – Teses
Jogos digitais – Teses
Inteligencia artificial – Teses
Redes neurais – Teses.
title_short Técnicas de aprendizado de máquina aplicadas em jogos RTS
title_full Técnicas de aprendizado de máquina aplicadas em jogos RTS
title_fullStr Técnicas de aprendizado de máquina aplicadas em jogos RTS
title_full_unstemmed Técnicas de aprendizado de máquina aplicadas em jogos RTS
title_sort Técnicas de aprendizado de máquina aplicadas em jogos RTS
author Antonio Luis Cardoso Silva
author_facet Antonio Luis Cardoso Silva
author_role author
dc.contributor.advisor1.fl_str_mv Luiz Chaimowicz
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/4499928813481251
dc.contributor.referee1.fl_str_mv Gisele Lobo Pappa
dc.contributor.referee2.fl_str_mv Renato Antônio Celso Ferreira
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/3309257549584419
dc.contributor.author.fl_str_mv Antonio Luis Cardoso Silva
contributor_str_mv Luiz Chaimowicz
Gisele Lobo Pappa
Renato Antônio Celso Ferreira
dc.subject.por.fl_str_mv Inteligencia Artificial
Jogos
Redes Neurais
topic Inteligencia Artificial
Jogos
Redes Neurais
Computação – Teses
Jogos digitais – Teses
Inteligencia artificial – Teses
Redes neurais – Teses.
dc.subject.other.pt_BR.fl_str_mv Computação – Teses
Jogos digitais – Teses
Inteligencia artificial – Teses
Redes neurais – Teses.
description O domínio de Jogos de Estratégia em Tempo Real ou RTS apresenta grandes desafios para a área de inteligência artificial por ser um ambiente dinâmico, em tempo real, adversarial e incerto. Um método para abordar esses desafios é através do uso de algoritmos de aprendizagem de máquina onde o agente inteligente aprende utilizando dados de partidas jogadas por humanos. Nesse trabalho foram implementadas diversas técnicas de aprendizado na criação de um agente capaz de jogar Starcraft e predizer o resultado da partida. Para cuidar da parte estratégica e econômica da partida pelo agente inteligente foi utilizado planejamento online baseado em casos. Já para cuidar da parte de combate foi utilizado mapas de influência. Por fim, para a predição de resultados foram utilizadas redes neurais recorrentes. Para isso, também foi utilizada a base de dados STARDATA que possui informações de mais de 65000 partidas de Starcraft. O módulo de predição de partida conseguiu obter uma precisão entre 67% e 86% de acordo com o tempo de partida. Além disso, os módulos estratégicos, econômicos e de combate obteve melhores resultados que os respectivos trabalhos que serviram de referência. Já o agente inteligente competiu contra outros agentes da competição AIIDE 2017 e observou-se que ele consegue adaptar a diferentes situações do jogo.
publishDate 2020
dc.date.issued.fl_str_mv 2020-12-04
dc.date.accessioned.fl_str_mv 2022-10-21T14:38:22Z
dc.date.available.fl_str_mv 2022-10-21T14:38:22Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/1843/46487
url http://hdl.handle.net/1843/46487
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Minas Gerais
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Ciência da Computação
dc.publisher.initials.fl_str_mv UFMG
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO
publisher.none.fl_str_mv Universidade Federal de Minas Gerais
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFMG
instname:Universidade Federal de Minas Gerais (UFMG)
instacron:UFMG
instname_str Universidade Federal de Minas Gerais (UFMG)
instacron_str UFMG
institution UFMG
reponame_str Repositório Institucional da UFMG
collection Repositório Institucional da UFMG
bitstream.url.fl_str_mv https://repositorio.ufmg.br/bitstream/1843/46487/5/Disserta%c3%a7%c3%a3o%20Final.pdf
https://repositorio.ufmg.br/bitstream/1843/46487/6/license.txt
bitstream.checksum.fl_str_mv aa535e4864a81411baf2095369bb9c59
cda590c95a0b51b4d15f60c9642ca272
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)
repository.mail.fl_str_mv
_version_ 1803589522461556736

Registros relacionados