Geri Dön

Bilgisayar oyunlarında makine öğrenmesi yöntemlerinin kullanılması

Using machine learning techniques in computer games

  1. Tez No: 747121
  2. Yazar: HAKAN OĞUZ VURAL
  3. Danışmanlar: PROF. DR. İMAN ASKERBEYLİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 64

Özet

Bu projede evrimsel yapay sinir ağları teknikleri kullanılarak bir bilgisayar oyununu oynamayı sıfırdan, kendi kendine öğrenen bir yapay zekâ geliştirmek amacıyla Yapay Oyuncu Geliştirme Ortamı (YOGO) adı verilen bir sistem oluşturulmuştur. YOGO sayesinde bilgisayar oyunlarını oynayabilen birleşimli bir yapay oyuncu geliştirilmiş ve statik yapay zekalardan daha yüksek performanslı yapay zekalar oluşturmak amaçlanmıştır. Flappy Bird, Google Dino Run ve Cell Rush adlı üç oyunda YOGA sınanmış ardından birtakım testler yardımıyla bu oyunları istenilen seviyede oynayabilecek, başarı kriterlerini sağlayan yapay oyuncular geliştirilmiştir. Her bir yapay oyuncu, oyun dünyasını algılayabilecek sensörlere, oyun dünyası ile etkileşime girecek hareket motor sistemine ve sensör ile motor sistemi arasında veri akışını sağlayacak bir yapay sinir ağına sahiptir. Yapay oyuncuların sahip olduğu yapay sinir ağları sensörden gelen verileri girdi olarak alıp, işleyip ve çıktı üretmektedir. Üretilen çıktı verileri motor sistemine yollanmakta ve motor sistemi aldığı verilere göre yapay oyuncunun hareketlerini gerçekleştirmektedir. Yapay oyuncular performansına göre değerlendirilerek ve genetik algoritma teknikleriyle seçilip, çaprazlanıp, mutasyona uğrayarak bir sonraki jenerasyona aktarılmaktadır. Sadece en iyi yüzde elli çaprazlamalara katılmaktadır. Çaprazlanan bireyler yeni jenerasyonun bir önceki jenerasyonlardan daha iyi olması ümidiyle seçilmektedir. Yapay oyuncular başarı kriteri sağlanana kadar eğitilmekte ve nesilden nesille aktarılmaktadır.

Özet (Çeviri)

In this project, a system called Artificial Player Development Environment (YOGO) was created in order to develop a self-learning artificial intelligence from scratch using evolutionary artificial neural networks techniques. Thanks to YOGO, a composite artificial player that can play computer games has been developed and it is aimed to create higher performance artificial intelligences than static artificial intelligences. YOGA has been tested in three games called Flappy Bird, Google Dino Run and Cell Rush. As a result of the tests, artificial players have been developed that can play these games at the desired level and meet the success criteria. Each artificial player has sensors that can detect the game world, a motion engine system that will interact with the game world and an artificial neural network that will provide data flow between the sensor and the engine system. Artificial neural networks owned by artificial players take the data from the sensor as input, process it and send the output data it produces to the motor system. The motor system performs the movements of the artificial player according to the data it receives. Artificial players are evaluated according to their performance and are selected, crossed, mutated and passed on to the next generation with genetic algorithm techniques. Only the best fifty percent individuals participate in crossing proccess. Crossed individuals are selected in the hope that the new generation will be better than the previous generations. Artificial players are trained and handed down from generation to generation until the success criterion is met.

Benzer Tezler

  1. Generative adversarial networks based level generation for angry birds

    Çekişmeli üretici ağlar ile angry birds bölümlerinin üretilmesi

    BURKAN YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Oyun ve Etkileşim Teknolojileri Ana Bilim Dalı

    DOÇ. DR. SANEM SARIEL UZER

  2. Collectr: A gamified emotional data collection and labelling platform for children

    Collectr: Çocuklar için oyunlaştırılmış duygu verisi toplama ve etiketleme aracı

    TURGUT CAN AYDINALEV

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Oyun ve Etkileşim Teknolojileri Ana Bilim Dalı

    PROF. DR. HATİCE KÖSE

  3. Learning to drive in a simulated environment using deep reinforcement learning

    Derin pekiştirmeli öğrenme kullanarak simüle edilmiş bir ortamda araç kullanmayı öğrenmek

    MUSTAFA CEMİL GÜNEY

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YAKUP GENÇ

  4. Monte Carlo tree search with temporal-difference learning for general video game playing

    Zamansal-fark öğrenmeli Monte Carlo ağaç araması ile genel video oyunu oynama

    ERCÜMENT İLHAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AYŞE ŞİMA UYAR

  5. Fen ve teknoloji öğretim programının öğrenci ve öğretmen özelliklerine göre değerlendirilmesi: TIMSS 2007 ve TIMSS 2011 verileri ile bir durum analizi

    Evaluation of science and technology curriculum with respect to characteristics of students and teachers: a case analysis according to TIMSS 2007 and TIMSS 2011 results

    MURAT YATAĞAN

    Doktora

    Türkçe

    Türkçe

    2014

    Eğitim ve ÖğretimGazi Üniversitesi

    Ortaöğretim Fen ve Matematik Alanları Eğitimi Ana Bilim Dalı

    PROF. DR. TAHİR ATICI