Dissertação
{en_GB=MCTS-based Planning for Grand Strategy Games} {} EVALUATED
{pt=Usar planeamento to contexto de jogos de grand strategy é uma tarefa difícil. Estes tipos de jogos são caracterizados por terem um espaço de pesquisa vasto e complexo e muitos outros constragimentos face á construção de um sistema de planeamento. Em contraste, não existe muito tempo de execução disponível para correr uma IA nestes cenários, visto que muitos dos recursos são usados para correr o jogo em si. O objetivo desta tese é desenvolver diferentes sistemas de planeamento para jogos de grand strategy, baseados em algoritmos state-of-the-art, especialmente variantes do algorithmo Monte Carlo Tree Search (MCTS), e enriquecê-los com técnicas de corte do espaço de estados. Vamos focar-nos no jogo TripleA, um engine open-source de video-jogos grand strategy, que tem um conjunto de mapas diferentes. Foram implementadas diferentes variantes do MCTS, nomeadamente os algoritmos Bridge Burning MCTS e Non Exploring MCTS, bem como um algoritmo evolucionário chamado Online Evolutionary Planning. Estes agentes foram testados uns contra os outros, bem como contra as soluções de IA existentes no jogo atualmente. Os resultados obtidos mostram que os agentes conseguem derrotar consistentemente a IA do jogo no cenário usado., en=Using planning in grand strategy video games is a difficult task. These games are characterized by having a sizeable and complex search space and many other constraints. In contrast, there is not much computational budget available for running an AI in this setting as many resources are spent on running the game itself. The purpose of this thesis is to conceive and design different planning systems based on state-of-the-art planning algorithms, mostly based on Monte Carlo Tree Search (MCTS), as well as domain specific pruning strategies, and apply them to a grand-strategy video-game. We will focus on TripleA, an open source grand strategy video game engine which features a number of different maps. We implemented different MCTS variants, Bridge Burning MCTS and Non Exploring MCTS, as well as an evolutionary algorithm called Online Evolutionary Planning. These agents were tested against each other as well as against the game's current AI solutions. Our results show that in the practical setting used, our agents are able to beat the game's AI solutions consistently.}
janeiro 14, 2021, 16:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
