Sök:

Sökresultat:

4 Uppsatser om Minimax - Sida 1 av 1

Utveckling av minimax-baserad agent för strategispelet Stratego

Stratego is a boardgame not very different from chess, that contains hidden information. Because of this, existing programs play at beginner level. The purpose of this thesis is to adjust a Minimax algorithm so that it passes the demands of Stratego, and then build a Stratego agent around it. Tests with existing Minimax algorithms leads to the development p-e-Minimax. This algorithm uses two different values in its nodes to simulate the different information available to the agent and its opponent.

AI TILL BRÄDSPEL : En jämförelse mellan två olika sökalgoritmer vid implementation av AI tillbrädspelet Pentago.

I det här arbetet undersöks och jämförs två olika sökalgoritmer när de används för implementation av AI-spelare till brädspelet Pentago. De två algoritmerna som användes var alfa-betabeskärning och en nyare algoritm som kombinerar genetiska algoritmer och Minimax, kallad genetisk Minimax. Utvärderingen av resultaten visar att alfa-betabeskärning passar bättre vid implementation av en AI till Pentago än genetisk Minimax. Alfa-betabeskärning med ytterligare optimeringar har potential att lämpa sig väldigt väl för implementation av spelare till Pentago. Ytterligare visar resultaten att genetisk Minimax inte är en passande algoritm för AI till Pentago.

SAMEVOLUTION AV ARTIFICIELLTNEURALT NÄTVERK FÖR ATTEVALUERA SPELTILLSTÅND

Detta arbete undersöker två tekniker för att evaluera spelplanen i Minimaxalgoritmen. Den tekniken som fokuseras mest på i arbetet är ett artificiellt neuralt nätverk som evolveras med hjälp av samevolution. Tekniken är utformad för att inte behöva någon tidigare mänsklig expertis. Den andra tekniken använder heuristiker och mänsklig expertis för att få fram evalueringsfunktionen. Spelet som används för att testa teknikerna är Kinaschack.Resultaten antyder att tekniken i fokus inte fungerar till spelet Kinaschack.

SAMEVOLUTION AV ARTIFICIELLT NEURALT NÄTVERK FÖR ATT EVALUERA SPELTILLSTÅND

Detta arbete undersöker två tekniker för att evaluera spelplanen i Minimaxalgoritmen. Den tekniken som fokuseras mest på i arbetet är ett artificiellt neuralt nätverk som evolveras med hjälp av samevolution. Tekniken är utformad för att inte behöva någon tidigare mänsklig expertis. Den andra tekniken använder heuristiker och mänsklig expertis för att få fram evalueringsfunktionen. Spelet som används för att testa teknikerna är Kinaschack.Resultaten antyder att tekniken i fokus inte fungerar till spelet Kinaschack.