Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Carvalho, Aline Marins Paes | - |
Autor(es): dc.contributor | Montenegro, Anselmo Antunes | - |
Autor(es): dc.contributor | Gonzales Clua, Esteban Walter | - |
Autor(es): dc.creator | Mendonça, Pedro Ginnari Barcelos Souza de | - |
Autor(es): dc.creator | Souza, Vinícius Santos de | - |
Data de aceite: dc.date.accessioned | 2024-07-11T18:29:11Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T18:29:11Z | - |
Data de envio: dc.date.issued | 2018-01-31 | - |
Data de envio: dc.date.issued | 2018-01-31 | - |
Data de envio: dc.date.issued | 2018 | - |
Fonte completa do material: dc.identifier | https://app.uff.br/riuff/handle/1/5697 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/771503 | - |
Descrição: dc.description | No mundo atual, não consegue-se pensar em jogos que não tenham um método de Inteligência Artificial implementado, mesmo que sejam soluções simples. Entretanto, boa parte dos métodos implementados em sistemas comerciais ainda não utilizam técnicas de Aprendizado de Máquina, devido ao custo de treinar e obter resultados em tempo real.Neste trabalho, foi implementado um algoritmo de Aprendizado de Máquina para dotar o agente principal do jogo Bomberman de uma técnica de Aprendizado de Máquina, que pudesse ser treinado offline e usar o modelo aprendido durante o jogo online. Um algoritmo de Aprendizado por Reforço foi selecionado como método a ser desenvolvido, especificamente o algoritmo Q-learning clássico. Esse algoritmo se vale de conceitos como estado,ações, objetivos e recompensa para determinar uma solução para o problema apresentado.Os experimentos em uma arena padrão do Bomberman, demonstraram que o agente não converge para uma solução ótima, devido ao tamanho do espaço de busca explorado e ao ambiente não-determinístico, gerado pelo oponente. Quando uma arena simplificada comum oponente imóvel foi utilizada nos experimentos, o Q-learning convergiu para uma solução ótima com facilidade. Os resultados do agente com Aprendizado por Reforço foram comparados aos resultados obtidos por um agente que utiliza a árvore de busca de Monte Carlo, uma técnica que tem se mostrado uma substituta efetiva ao clássico Minimax, e que não utiliza Aprendizado de Máquina. Os resultados exibidos apontam a superioridade do Agente com Aprendizado por Reforço quando comparado com o Agente que utiliza o Monte Carlo. | - |
Descrição: dc.description | Nowadays, there are few exceptions to video games that do not employ an Artificial Intelligence method, even if such a method is quite simple. However, a good chunk of commercials systems still do not use Machine Learning because of the necessary cost to train a model in real time. In this work, an agent-oriented Machine Learning algorithm was developed for the game Bomberman so that such an agent could be trained offline and use the learned model during the game. The classic Q-learning, a Reinforcement Learning method, was chosen to be implemented. This algorithm relies on concepts such as states, actions, objectives and rewards to solve a problem. The experiments ran in the Bomberman default arena demonstraded that the agent was not capable of converging to an optimal solution due to the size of the sample space of possible states and due to the non-deterministic enviroment generated by the opponent. When a simplified Bomberman arena was used for the experiments, the Q-learning agent converged rather easily to an optimal solution. The Q-learning agent results were compared to the results of a Monte Carlo tree search agent, a method that does not use Machine Learning and has been proved to be as an effective replacement for the traditional Minimax algorithm. The obtained results indicated that the Reinforcement Learning agent is more effective for the Bomberman when compared with the Monte Carlo agent. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Jogo de Bomberman | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Jogo em computador | - |
Palavras-chave: dc.subject | Jogo de Bomberman | - |
Palavras-chave: dc.subject | Reinforcement learning | - |
Palavras-chave: dc.subject | Bomberman | - |
Título: dc.title | Uma implementação de um agente autônomo para o jogo Bomberman com aprendizado por reforço | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: