Java Settlers - Intelligente agentenbasierte Spielsysteme für intuitive ...

34 Verwandte Arbeiten
z.B. würde stets versuchen seinen Nutzen zu maximieren. Eine Methode dies zu verwirklichen
ist das Lernen durch Temporale-Differenz-Methoden [39, 44]. Reinforcement-Lernen ahmt in
einer Art und Weise die Lernweise des Menschen nach, der mit seiner Umwelt interagiert und
durch Rückmeldungen Rückschlüsse ziehen kann. Für Spiele wäre Reinforcement-Lernen sehr
geeignet, da ein nutzenbasierte Agent meist bereits existiert.
2.4 Das generische Framework jGameAI
jGameAI ist ein an der Freien Universität Berlin entstandenes generisches Framework zur Er-
stellung von einer Vielzahl an intelligenten Spielen, welches dabei viele Aufgaben selbststän-
dig erledigt [9, 10]. So wird der Suchalgorithmus automatisch angestoßen, sobald ein neuer
bester Zug von einem Computerspieler angefordert wird. Ebenso gibt es Events und Benach-
richtigen, die bei bestimmten Ereignissen ausgelöst werden, auf die der Anwender gesondert
reagieren kann. Eine weitere Funktion von jGameAI ist es, beliebige Turniere oder Ligen zu
erstellen, in der Computergegner gegeneinander antreten können und in Tausenden von Spielen
sich langsam maschinell verbessern können. Dies kann genutzt werden, um verschiedene Im-
plementierungen gegeneinander zu testen oder auch evolutionär die stärksten herauszufiltern.
Der Computerspieler soll nach jeder gespielten Partie versuchen, sich zu verbessern, indem aus
dem Ergebnis mit Hilfe von Reinforcement Learning maschinell gelernt wird. Dabei soll auch
das Verhalten der Gegner mitgelernt werden, sodass ein Agent beim erneuten Aufeinandertref-
fen mit Hilfe eines Opponent Models auf erlernte Informationen zurückgreifen kann [48].
Das Framework unterstützt sowohl rundenbasierte als auch Echtzeitspiele. Um ein neues run-
denbasiertes Spiel mit Hilfe dieses Framework zu implementieren, bedarf es lediglich weniger
Bestandteile, die in Abbildung 10 abgebildet sind.
Abbildung 10: Übersichtsdiagramm für das jGameAI Framework [9, 10]