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