Kunstig Intelligens til Brætspillet Taiji - Danmarks Tekniske Universitet

More documents

Recommendations

Info

78 Test og sammenligning af de implementerede AI’er 7.1.1 Kørselstider for Néstor’s AI: Her under ses gennemsnits kørsels tiderne for Néstor’s AI taget over de første 10 træk: Basic Intermediate Expert Master 9x9 ca. 1 sek ca. 3 sek ca 15 sek ca. 50 sek De to mest krævende sværhedsgrader Expert og Master bliver dog mærkbart hurtigere n˚ar spillet nærmere sig enden, f.eks bruger Master omkring 25 sekunder n˚ar der er cirka 15 træk tilbage og ca. 10 sekunder n˚ar der er cirka 8 træk tilbage. Beregningstiderne for de to letteste sværhedsgrader er helt i orden. Intermediate er lige i overkanten, da en menneskelig modstander vil n˚a at blive en smule ut˚almodig inden computeren foretager sit træk. Master er derimod helt uacceptabel med beregningstider der tager op i mod et minut. Et spil Taiji forventes at vare omkring 20 minutter mellem to menneskelige spiller 1 , hvor der bruges længere tid p˚a at fysisk lægge brikkerne og der formentligt snakkes lidt, og der bliver tænkt lidt længere over trækkene end mod en computer, hvor ens ære ikke st˚ar p˚a spil p˚a samme m˚ade. Et spil Taiji kan indeholde op til 40 træk og minimum 27, AI’en kommer til at st˚a for halvdelen af disse. Dette betyder at AI’en alene kommer til at st˚a for rundt regnet et kvartes betænkningstid i løbet af et enkelt spil. Til sammenligning kan et spil mod Intermediate sagtens afsluttes p˚a 3 minutter til den menneskelige spillers fordel. 7.1.2 Test af Néstor’s AI mod menneskelig modstander: Her bliver Néstor’s AI stillet overfor en erfaren menneskelig modstander, hvilket jeg efterh˚anden godt kan tillade mig at kalde mig selv. Basic er ikke taget med i testen, da dennes eneste fordel er dens lave beregningstid, hvor Intermediate er storset lige s˚a hurtig, men er betydeligt smartere. Intermediate (sort) mod erfaren menneskelig spiller (hvid): 1 Tal fra boardgamegeek.com
7.1 Test af Néstor’s AI 79 9x9 Hvid score Sort score stilling for AI 18 17 Tabt 19 16 Tabt 14 9 Tabt 30 12 Tabt 19 14 Tabt I alt 100 68 0% Intermediate (hvid) mod erfaren menneskelig spiller (sort): 9x9 Hvid score Sort score stilling for AI 15 29 Tabt 9 22 Tabt 12 20 Tabt 10 15 Tabt 10 24 Tabt I alt 56 110 0% Intermediate vinder alts˚a ingen af sine 10 spil, hverken som sort eller hvid spiller. Gennemsnitligt taber den med 8,6 point og det nærmeste den kommer uafgjort er en forskel p˚a 3 point. Expert (sort) mod erfaren menneskelig spiller (hvid): 9x9 Hvid score Sort score stilling for AI 22 11 Tabt 25 11 Tabt 19 16 Tabt 26 9 Tabt 19 12 Tabt I alt 111 59 0% Expert (hvid) mod erfaren menneskelig spiller (sort): 9x9 Hvid score Sort score stilling for AI 14 19 Tabt 13 24 Tabt 12 24 Tabt 14 29 Tabt 16 32 Tabt I alt 69 128 0% Expert vinder heller ikke nogen af sine 10 spil. Gennemsnitligt taber den med 11,1 point, men til gengæld kommer den tæt p˚a at afslutte et enkelt spil med
Page 1 and 2:
Kunstig Intelligens til Brætspille
Page 3:
Summary This project concerns the d
Page 7:
Forord Dette speciale er udarbejdet
Page 10 and 11:
viii INDHOLD 5.3 Hash funktioner .
Page 12 and 13:
2 Taiji Figur 1.1: Standard Taiji b
Page 14 and 15:
4 Taiji 1.1.1 Forskelle mellem de o
Page 16 and 17:
6 Taiji Alts˚a kan der maksimalt f
Page 18 and 19:
8 Taiji Figur 1.9: Et standard Taij
Page 20 and 21:
10 Taiji Der er dog en række speci
Page 22 and 23:
12 Taiji Figur 1.15: Eksempel p˚a
Page 24 and 25:
14 Taiji 1.4 Spillets kompleksitet
Page 26 and 27:
16 Taiji Figur 1.18: Alle trækmuli
Page 28 and 29:
18 Taiji Figur 1.21: Denne figur vi
Page 30 and 31:
20 Taiji
Page 32 and 33:
22 Design og brugervenlighed Figur
Page 34 and 35:
24 Design og brugervenlighed naturl
Page 36 and 37:
26 Design og brugervenlighed muligh
Page 38 and 39: 28 Design og brugervenlighed 2.2.2
Page 40 and 41: 30 Design og brugervenlighed uprakt
Page 42 and 43: 32 Kunstig Intelligens 3.1.1 TaijiD
Page 44 and 45: 34 Kunstig Intelligens 3.1.10 Figur
Page 46 and 47: 36 Kunstig Intelligens 3.2.1 Nodes:
Page 48 and 49: 38 Kunstig Intelligens at udvide de
Page 50 and 51: 40 Minimax først søgningen, da de
Page 52 and 53: 42 Minimax 4.3 Spilgraf for 3x3 Tai
Page 54 and 55: 44 Minimax Herunder ses spilgrafen
Page 56 and 57: 46 Minimax Herunder ses spilgrafen
Page 58 and 59: 48 Minimax Som det kan ses ender sp
Page 60 and 61: 50 Minimax Det kan ses at alle de e
Page 62 and 63: 52 Optimering af Minimax Figur 5.1:
Page 66 and 67: 56 Optimering af Minimax som et uni
Page 68 and 69: 58 Optimering af Minimax Det er der
Page 70 and 71: 60 Optimering af Minimax klarer sig
Page 72 and 73: 62 Optimering af Minimax IF v < m T
Page 74 and 75: 64 Optimering af Minimax er tilfæl
Page 78 and 79: 68 Optimering af Minimax vigtigt at
Page 80 and 81: 70 Optimering af Minimax
Page 82 and 83: 72 Begrænsning af antallet af unde
Page 90 and 91: 80 Test og sammenligning af de impl
Page 102 and 103: 92 Konklusion selv n˚a igennem et
Page 104 and 105: 94 Konklusion
Page 106 and 107: 96 Bilag A 19 20 // i n i t i a l i
Page 108 and 109: 98 Bilag A 120 nodes [ p [ 0 ] ] [
Page 110 and 111: 100 Bilag A 218 i f ( n . a > beta
Page 112 and 113: 102 Bilag A 319 p [2]= nodes [ p [
Page 114 and 115: 104 Bilag A 419 420 421 422 423 424
Page 116 and 117: 106 Bilag A 517 n . wr = tModel . n
Page 118 and 119: 108 Bilag A 61 } 62 } 63 64 // c h
Page 120 and 121: 110 Bilag A 155 b [ c +1][ r −1]
Page 122 and 123: 112 Bilag A 251 b [ c −1][ r −1
Page 124 and 125: 114 Bilag A 347 r e = placePieceMax
Page 126 and 127: 116 Bilag A 443 r e = placePieceMax
Page 128 and 129: 118 Bilag A 537 b [ c +1][ r −1]
Page 130 and 131: 120 Bilag A 633 b [ c −1][ r −1
Page 132 and 133: 122 Bilag A 729 beta = r e [ 2 ] ;
Page 134 and 135: 124 Bilag A 825 beta = r e [ 2 ] ;
Page 136 and 137: 126 Bilag A 916 i f ( n . a > v ) 9
Page 138 and 139:
128 Bilag A 997 Root . wc=0; // tMo
Page 140 and 141:
130 Bilag A 1097 n . bc = tModel .
Page 142 and 143:
132 Bilag A 93 i f ( rowEnd >= tMod
Page 144 and 145:
134 Bilag A 192 alpha = n . a ; 193
Page 146 and 147:
136 Bilag A 291 } 292 293 // Min−
Page 148 and 149:
138 Bilag A 391 n . c h i l d r e n
Page 150 and 151:
140 Bilag A 493 i f ( Root . c h i
Page 152 and 153:
142 Bilag A 593 r e t u r n ( n ) ;
Page 154 and 155:
144 Bilag A 90 b [ c ] [ r ] = 0 ;
Page 156 and 157:
146 Bilag A 185 // System . out . p
Page 158 and 159:
148 Bilag A 280 } 281 282 // f l y
Page 160 and 161:
150 Bilag A 377 // i f ( tTree . ma
Page 162 and 163:
152 Bilag A 481 } 482 r e t u r n (
Page 164 and 165:
154 Bilag A 532 // System . out . p
Page 166 and 167:
156 Bilag A 33 p u b l i c i n t [
Page 168 and 169:
158 Bilag A 137 f o r ( i n t r =0;
Page 170 and 171:
160 Bilag A 245 f o r ( i n t r =0;
Page 172 and 173:
162 Bilag A 353 break ; 354 } 355 i
Page 174 and 175:
164 Bilag A 94 } 95 { // H o r i s
Page 176 and 177:
166 Bilag A 198 p r i v a t e void
Page 178 and 179:
168 Bilag A 303 f [ 1 ] [ 0 ] [ 1 ]
Page 180 and 181:
170 Bilag A 409 f o r ( i n t r =0;
Page 182 and 183:
172 Bilag A 43 p u b l i c Node cre
Page 184 and 185:
174 Bilag A 27 whiteScore = new Sco
Page 186 and 187:
176 Bilag A 65 bc = 1 ; 66 e l s e
Page 188 and 189:
178 Bilag A 58 p u b l i c void mou
Page 190 and 191:
180 Bilag A 149 S t r i n g t x t =
Page 192 and 193:
182 Bilag A l o a d i n g the f i l
Page 194 and 195:
184 Bilag A 7 p u b l i c AITaijiMi
Page 196 and 197:
186 Bilag A 105 i f ( b l a c k P l
Page 198 and 199:
188 Bilag A 211 tBoard . s e t P i
Page 200 and 201:
190 Bilag A 315 { 316 f o r ( i n t
Page 202 and 203:
192 Bilag A 416 { 417 //Bunden 418
Page 204 and 205:
194 Bilag A 510 p r i v a t e boole
Page 206 and 207:
196 Bilag A 612 } 613 614 // b e r
Page 208 and 209:
198 Bilag A 702 } 703 704 // s a e
Page 210 and 211:
200 Bilag A 802 p u b l i c void ne
Page 212 and 213:
202 Bilag A 59 g . f i l l R e c t
Page 214 and 215:
204 Bilag A 159 { 160 t h i s . set
Page 216 and 217:
206 Bilag A 81 System . out . p r i
Page 218 and 219:
208 Bilag A [ 1 ] [ 7 ] + ” ”+n
Page 220 and 221:
210 Bilag A 176 System . out . p r
Page 222 and 223:
Page 224 and 225:
Page 226 and 227:
216 Bilag A [ 8 ] [ 2 ] ) ; 277 i f
Page 228 and 229:
218 Bilag A 326 p u b l i c void pr
Page 230 and 231:
220 Bilag A 393 i f ( tModel . noRo
Page 232 and 233:
222 Bilag A 449 i f ( tModel . noRo
Page 234 and 235:
Page 236 and 237:
226 Bilag A 30 31 tFrame = frame ;
Page 238 and 239:
228 Bilag A 135 tFrame . tModel . s
Page 240 and 241:
230
Page 242 and 243:
232 Bilag B ”Introduction to Algo
Page 244:
234
show all

Kunstig Intelligens til Brætspillet Taiji - Danmarks Tekniske Universitet

Create successful ePaper yourself

Delete template?

Save as template?