GAME & AI

GAME & AI

    AI memiliki sejarah panjang dalam genre game. Dari yang kecerdasan pertama, Pemain checker, ke tim AI dikembangkan untuk first-person-shooters, AI adalah intinya. Bab ini akan membahas aspek permainan AI dari permainan tradisional. Kami akan memperkenalkan algoritma minimax  yaitu pusat permainan dua pemain tradisional. Kami kemudian akan mengeksplorasi algoritma lainnya yang bisa ditemukan di sistem permainan modern.

9.1 Two Players Game

   Permainan dua pemain adalah permainan di mana dua pemain saling bersaing satu sama lain. Ini juga dikenal sebagai game zero-sum. Tujuannya dalam memainkan dua pemain game ini memilih langkah yang memaksimalkan skor pemain dan / atau meminimalkan skor pemain yang bersaing. Game zero-sum adalah satu di mana keuntungan satu pemain seimbang tepatnya dengan hilangnya pemain lainnya. Game zero sum telah dipelajari secara ekstensif oleh John von Neumann dan Oskar Morgenstern dan kemudian oleh John Nash. Catur adalah contoh permainan zero-sum. Sebaliknya,

  Game non-zero-sum adalah game yang bisa dimainkan oleh dua pemain imbalan dari seorang bankir dengan bekerja sama atau mengkhianati pemain lain. Itu dilema narapidana adalah contoh klasik dari permainan non-zero-sum. Kedua Game zero dan non-zero-sum adalah jenis permainan dalam bidang permainan teori. Teori permainan memiliki berbagai kegunaan dari permainan salon seperti Poker,

untuk mempelajari fenomena ekonomi dari pelelangan ke jaringan sosial.

9.2 The Minimax Algorithm

   Dalam game sederhana, ada algoritma yang bisa mencari pohon permainan untuk ditentukan langkah terbaik untuk membuat dari keadaan saat ini. Yang paling terkenal disebut algoritma Minimax Algoritma minimax adalah metode yang berguna untuk permainan dua pemain sederhana. Ini adalah metode untuk memilih langkah terbaik yang diberikan permainan bolak-balik di mana masing-masing pemain menentang yang lain bekerja tujuan yang saling eksklusif. Setiap pemain mengetahui gerakan yang mungkin dilakukan dengan kondisi permainan saat ini, maka untuk setiap gerakan, semua gerakan selanjutnya bisa terjadi ditemukan.

   Pada setiap simpul di pohon (kemungkinan pergerakan) nilai yang mendefinisikan kebaikan langkah menuju pemain yang memenangkan pertandingan bisa disediakan. Jadi pada saat tertentu node, node anak (kemungkinan bergerak dari keadaan ini dalam permainan) masing-masing atribut yang menentukan kebaikan relatif dari pergerakan. Ini adalah tugas yang mudah untuk memilih langkah terbaik mengingat keadaan saat ini. Tapi mengingat bolak-balik sifat permainan dua pemain, pemain berikutnya membuat langkah yang menguntungkan mereka (dan dalam permainan zero-sum, menghasilkan defisit untuk pemain pengganti). Bagian dari simpul didefinisikan sebagai jumlah pergerakan yang diperlukan untuk mencapai titik keadaan saat ini (konfigurasi permainan). Lapisan pohon game adalah Maksimum lapisan semua simpul.

   Minimax bisa menggunakan satu dari dua strategi dasar. Pada bagian pertama, seluruh permainan

Pohon dicari ke simpul daun (end-games), dan di bagian kedua, pohon itu hanya mencari kedalaman yang telah ditentukan dan kemudian dievaluasi. 

9.3 Game Klasik AI

Salah satu contoh game klasik AI adalah :

• Checkers

    Kami akan memulai eksplorasi AI dalam permainan klasik dengan ulasan singkat Aplikasi AI di Checker. Arthur Samuel, pelopor awal AI dan belajar mesin, melakukan beberapa pekerjaan paling awal dalam memberikan komputer kemampuan belajar dari pengalaman. Selain memprogram komputer untuk bermain Checker di komputer IBM 701, dia mempelopori gagasan membiarkan program belajar dengan bersaing melawan dirinya sendiri. Hasilnya Program Checker berkompetisi dan mengalahkan pemain peringkat keempat di tahun 2007 negara. [Samuel 1959] karya Arthur Samuel dalam program checker sangat penting dalam perhitungan non numerik, sehingga ia mempengaruhi perancang komputer awal IBM untuk memasukkan instruksi logis baru. [McCarthy 1990]

• Checkers-Board Representation

    Representasi struktur data papan Checker penting karena ini adalah penentu yang kuat dalam efisiensi aspek pencarian dan evaluasi dari program (dan juga jumlah memori keseluruhan yang digunakan oleh pencarian pohon game, buku pembuka, dan database endgame). Representasi yang umum adalah matriks 8 by 8 sederhana yang mengandung satu enam nilai (kosong, merah, hitam, merah-raja, dan hitam-raja). Optimalisasi 8 oleh 8 adalah 10 dengan 10 model, yang mencakup batas satu sel di sekitar seluruh papan (dengan sel-sel ini yang mengandung nilai statis offboard). Ini menyederhanakan generator bergerak dalam mengidentifikasi pergerakan ilegal. Representasi lain ada untuk mengepak papan ke ruang yang lebih kecil, tapi biasanya mengandalkan arsitektur CPU tertentu dan petunjuknya menginterogasi dan memanipulasi bit individu.

• Search Algorithm

  Seperti kebanyakan game klasik lainnya, minimax dengan pemangkasan alfa-beta digunakan sebagai

berarti mencari pohon game. Checker memiliki faktor percabangan rata - rata 10, yang kurang dari Catur, tapi cukup besar untuk mencari keseluruhannya pohon tidak layak Sementara pemangkasan alfa-beta melakukan pekerjaan yang bagus untuk meminimalkan pohon pencarian, Ada teknik lain yang bisa diterapkan secara heuristik untuk lebih mengurangi ruang pencarian pohon permainan Sejumlah perangkat tambahan pencarian ada seperti windowing, dimana batas alpha dan beta adalah jendela dari nilai yang dihitung sebelumnya dan dapat menghasilkan pencarian lebih cepat dari pohon permainan. Modifikasi lainnya termasuk Principal Variation Search (PVS), yang menerapkan windowing ke setiap node di pohon permainan.

9.3 Aplikasi AI menjadi video game

   merupakan area yang kaya untuk penelitian pada jumlah level. Lingkungan permainan video (seperti dapat ditemukan secara realtime permainan strategi atau first-person-shooters) menyediakan tempat tidur uji yang berguna aplikasi dan visualisasi teknik AI. Game milik mereka sendiri menjadi industri besar (diperkirakan game kotor lebih banyak daripada film), jadi pengembangan teknik AI dengan kendala yang terkait dapat ditemukan di game (seperti penjatahan CPU minimal) bisa sangat bermanfaat. Ini juga memungkinkan untuk memungkinkan algoritma dan teknik yang berbeda untuk bersaing melawan satu sama lain di lingkungan ini untuk memahami hal yang halus

   perbedaan dan kelebihan. Selain nilai hiburan video game, tekniknya untuk membangun karakter yang dapat dipercaya juga menemukan nilai (dan pendanaan penelitian) dalam aplikasi militer Misalnya, simulator tempur penerbangan yang meniru strategi dan taktik pilot veteran, atau hirarkis dan disiplin perilaku pasukan di lapangan dalam simulator manajemen pertempuran. Masing-masing aplikasi ini membutuhkan algoritma cerdas yang mungkin berbeda perwujudan, namun berevolusi dari rangkaian teknik yang sama.

9.4 Strategi Real-Time AI

  Penggunaan AI yang menarik terakhir adalah pengembangan strategi real-time pertandingan. Strategi Real-time AI berbeda dengan Tim AI karena kita tidak akan melakukan kesepakatan hanya dengan aspek militeristik dari permainan, tapi juga aspek ekonomi. Misalnya, dalam permainan strategi real-time, elemen peradaban harus terlibat dalam pengumpulan sumber daya sebagai bagian dari tujuan pembangunan yang lebih tinggi tentara untuk mengalahkan lawan. Misalnya, di awal permainan strategi real-time, fokus adalah penumpukan sosial dan militer. Ini melibatkan menciptakan warga baru untuk dibangun ekonomi. Begitu ekonomi mencapai tingkat tertentu, sebuah penumpukan militer Bisa terjadi untuk menyerang dan mengalahkan musuh. Kondisi yang dijelaskan bisa disematkan di dalam mesin permainan itu sendiri, tapi untuk fleksibilitas, bisa diimplementasikan secara terpisah memungkinkan kemudahan Modifikasi tanpa harus membangun kembali mesin permainan. Satu kemungkinan Yang sudah digunakan di masa lalu adalah Rule-Based Systems (atau RBS). Rule-Based Systems adalah cara yang efektif untuk mengkodekan pengetahuan ahli tentang

   permainan bermain menjadi strategi permainan. Sistem berbasis aturan sangat menarik bahwa sebuah komite standar telah dibentuk untuk mempelajari penggunaannya dalam permainan.

9.5 Referensi

  EBOOK =  Jones, M. Tim, ARTIFICIAL INTELLIGENCE A Systems Approach, INFINITY SCIENCE PRESS LLC, Hingham, Massachusetts New Delhi. Page. 89