Técnicas de aprendizado de máquina aplicadas em jogos RTS
Autor(a) principal: | |
---|---|
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 |