Gerçek zamanlı strateji oyunu için mikro yönetim yapay zekası
Micro management artificial intelligence for a real-time strategy game
- Tez No: 810164
- Danışmanlar: DOÇ. DR. AKHAN AKBULUT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İstanbul Kültür Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 160
Özet
Satranç ve GO oyunlarından daha fazla durum ve eylem alanına sahip gerçek zamanlı strateji oyunlarında uygulanan sabit kodlama ve senaryolu davranış bu alanın yapay zeka ihtiyacını karşılamıyorlar. Başarılı bir yapay zeka yaratmak için farklı yöntemler deneniyor. Bu yöntemlerden biri de yapay öğrenmedir. Gözetimli ve gözetimsiz metotlarla bu geniş durum ve eylem alanında başarılı sonuçlar elde edilmeye başlandı. Gerçek zamanlı strateji oyunlarını oluşturan öznitelikler değerlendirilerek öğrenme modellerine uygun öznitelikler keşfediliyor. Çalışma alanları daraltılıyor ve bu türün bir noktasına odaklanıyor. Bu çalışmada eğitim modellerini eğitecek veri kümesi için öznitelikler sistematik literatür taraması sonucu belirledik. Araştırma ortamını dengeli oyun mekanikleri ile Starcraft seçtik. Oyundaki durumu ve eylemi net ve açık şekilde kayda alan veri tabanından gerekli öznitelikler çıkardık. Bu özniteliklerin belirlediği her bir durumda Zerg ve Terran oyuncusunun hamlelerini veri kümesine işledik. Bu veri kümeleri ile 3 farklı model eğittik. Bu modeller ileri beslemeli sinir ağı modeli, uzun kısa vadeli hafıza ağlı özyinelemeli model ve 1B konvolüsyonel modelden oluşur. Ardından oyundaki birlikler menzillerine göre sınıflara ayırdık ve modelleri tekrar eğittik. Bulgular sunduk ve karşılaştırdık. Menzil sınıflandırmasının Zerg ırkı için daha başarılı sonuçlar verdiğini gördük. Zerg veri kümesi için yüksek f1 puanları ve AUC alanları sebebi ile uzun kısa vadeli hafıza ağlı özyinelemeli sinir ağı modelinin ve Terran veri kümesi için ileri beslemeli sinir ağı modelinin en iyi model olduğuna karar verdik.
Özet (Çeviri)
Hard-coded artificial intelligence methods and scripts do not meet the demands of real-time strategy games, which have a larger state and action space than chess and GO games. Various methods are considered to create successful artificial intelligence. One of these methods is machine learning. By utilizing supervised and unsupervised methods, successful results are obtained in this enormous state and action space. The features that construct real-time strategy games are inspected, and the ones that are suitable for particular models are discovered. The research field is narrowed and focuses on a particular part of this genre. In this research, features of the dataset that is going to train machine learning models are decided after performing a systematic literature review. We chose Starcraft as the research environment because of its balanced game mechanics. We extracted the necessary features from the dataset, which contains clearly and precisely recorded states and actions. Each state holds the values of these features in the datasets, and in each of these states, we recorded the actions of Zerg and Terran players. We trained three different machine learning models with the datasets. These models are a feed-forward neural network, a recurrent neural network model with long-short-term memory, and a 1D convolutional model. In addition to this, we classified units in the game according to their ranges, and we trained the models again. We present the discoveries and compare them. We have seen that range classification yields better results for the Zerg race. Because of the high f1 scores and AUC areas, we decided that the recursive neural network model with long short-term memory is the best one for the Zerg dataset, and the feed-forward neural network model is the best model for the Terran dataset.
Benzer Tezler
- Contribution a la recherche d'un cadre juridique pour un droit international de laconcurrence plus efficace
Daha etkin bir uluslararası rekabet için hukuki çerçeve arayışı
ALİ CENK KESKİN
Doktora
Fransızca
2009
HukukGalatasaray ÜniversitesiKamu Hukuku Ana Bilim Dalı
PROF. DR. JEAN MARC SOREL
PROF. DR. HALİL ERCÜMENT ERDEM
- Hierarchical reinforcement learning in complex wargame environments
Kompleks savaş oyunu ortamlarında hiyerarşik pekiştirmeli öğrenme
KUBİLAY KAĞAN KÖMÜRCÜ
Yüksek Lisans
İngilizce
2024
Astronomi ve Uzay Bilimleriİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE
- A heterogeneous multi agent intelligent player for a real-time strategy game
Gerçek zamanlı strateji oyunu için heterojen çoklu etmenler kullanan akıllı oyuncu
MEHMET CİHAN KURT
Yüksek Lisans
İngilizce
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA BORAHAN TÜMER
- Map sketch generation through multiobjective evolutionary algorithms
Çok amaçlı evrimsel algoritmalar kullanılarak harita eskizi üretimi
ŞAFAK TOPÇU
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYŞE ŞİMA UYAR
- Using artificial intelligence techniques for balancing strategy games
Yapay zeka teknikleriyle strateji oyunlarının dengelemesi
EMRE ÖNAL
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED ABDULLAH BÜLBÜL