Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 2010

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: player modeling

Sortuj według:

Ogranicz wyniki do:

Is Minimax really an optimal strategy in games

Kościuk K.

Zeszyty Naukowe Politechniki Białostockiej. Informatyka

2010

Z. 6

63-75

In theory, the optimal strategy for all kinds of games against an intelligent opponent is the Minimax strategy. Minimax assumes a perfectly rational opponent, who also takes optimal actions. However, in practice, most human opponents depart from rationality. In this case, the best move at any given step may not be one that is indicated by Minimax and an algorithm that takes into consideration human imperfections will perform better. In this paper, we show how modeling an opponent and subsequent modification of the Minimax strategy that takes into account that the opponent is not perfect, can improve a variant of the Tic-Tac-Toe game and and the game of Bridge. In Bridge we propose a simple model, in which we divide players into two classes: conservative and risk-seeking. We show that knowing which class the opponent belongs to improves the performance of the algorithm.

Algorytmy grające w gry często używają strategii Minimax. Algorytm Minimax zakłada perfekcyjność przeciwnika, który wybiera zawsze najlepsze ruchy. Gracze jednakże mogą nie działać całkiem racjonalnie. Algorytm, który weźmie to pod uwagę może dawać lepsze wyniki niż Minimax. W pracy przedstawiono jak modelowanie gracza i modyfikacje algorytmu Minimax mogą poprawić wyniki w grze kółko-krzyżyk i w brydżu. W brydżu zaproponowany został prosty model, dzielący graczy na dwie kategorie - konserwatywny i ryzykowny. Eksperymenty pokazały, że wiedza, do której klasy graczy należy przeciwnik, poprawia działanie algorytmu.

Player modeling using Bayesian networks

Kościuk K., Drużdżel M.

Symulacja w Badaniach i Rozwoju

2010

Vol. 1, nr 2

151-158

Typically programs for game playing use the Minimax strategy, which assumes a perfectly rational opponent whose actions are performed optimally. However, most human opponents depart from rationality. In this case, the best move at any given step may not be one that is indicated by MiniMax and an algorithm that takes into consideration humans imperfection will perform better. In order to consider player's weaknesses, it is necessary to model the opponent – learn and know his/her strategies. We build a Bayesian network to model the player. We learn the conditional probability tables in the network from data collected in the course of the game.

Algorytmy grające w gry zazwyczaj używają strategii Minimax zakładającej perfekcyjność przeciwnika, który wybiera zawsze najlepsze ruchy w grze. Gracze jednakże mogą nie działać całkiem racjonalnie. Algorytm, który weźmie to pod uwagę, może dawać lepsze wyniki niż Minimax. Aby wykorzystać słabości przeciwnika, należy stworzyć jego model. W tym celu zbudowaliśmy sieć bayesowską, w której tworzymy tablicę prawdopodobieństw z danych zbieranych w trakcie gry.