Kunstig Intelligens til Brætspillet Taiji - Danmarks Tekniske Universitet
Kunstig Intelligens til Brætspillet Taiji - Danmarks Tekniske Universitet Kunstig Intelligens til Brætspillet Taiji - Danmarks Tekniske Universitet
70 Optimering af Minimax
Kapitel 6 Begrænsning af antallet af undersøgte træk 6.1 Local Area Ideen med Local Area AI’en et at fokusere søgningen omkring et lille omr˚ade, der s˚a til gengæld søges helt til bunds. Omr˚adet lægges omkring modstanderens seneste træk, med mindre det er Local Area AI’en der starter. I s˚a fald ligger den bare en brik p˚a midten af brættet. Denne AI vil formentligt spille mere defensivt end offensivt, da den fokusere p˚a modstanderens træk som udgangspunkt. I praksis er det blot Minimax algoritmen med Alpha-Beta pruning, der sættes til at spille p˚a en lille plade midt i den store plade. Heuristikken vurdere dog spillet p˚a hele pladen og ikke kun det lokale omr˚ade. Dette betyder at figurer, der ligger op ad det lokale omr˚ade, f˚ar den indflydelse de skal have p˚a scoren som AI’en vælger sit træk ud fra. Local Area AI’en kører med et lokalt omr˚ade p˚a 4x4, da dette er den største plade, hvor p˚a Minimax algoritmen med Alpha-Beta pruning kan finde den fuldstændige løsning. Hvis modstanderen lægger sin brik tæt p˚a kanten af brættet flytter AI’en det lokale omr˚ade længere ind mod midten for fortsat at udnytte hele regnearealet.
- Page 30 and 31: 20 Taiji
- Page 32 and 33: 22 Design og brugervenlighed Figur
- Page 34 and 35: 24 Design og brugervenlighed naturl
- Page 36 and 37: 26 Design og brugervenlighed muligh
- Page 38 and 39: 28 Design og brugervenlighed 2.2.2
- Page 40 and 41: 30 Design og brugervenlighed uprakt
- Page 42 and 43: 32 Kunstig Intelligens 3.1.1 TaijiD
- Page 44 and 45: 34 Kunstig Intelligens 3.1.10 Figur
- Page 46 and 47: 36 Kunstig Intelligens 3.2.1 Nodes:
- Page 48 and 49: 38 Kunstig Intelligens at udvide de
- Page 50 and 51: 40 Minimax først søgningen, da de
- Page 52 and 53: 42 Minimax 4.3 Spilgraf for 3x3 Tai
- Page 54 and 55: 44 Minimax Herunder ses spilgrafen
- Page 56 and 57: 46 Minimax Herunder ses spilgrafen
- Page 58 and 59: 48 Minimax Som det kan ses ender sp
- Page 60 and 61: 50 Minimax Det kan ses at alle de e
- Page 62 and 63: 52 Optimering af Minimax Figur 5.1:
- Page 64 and 65: 54 Optimering af Minimax Figur 5.4:
- Page 66 and 67: 56 Optimering af Minimax som et uni
- Page 68 and 69: 58 Optimering af Minimax Det er der
- Page 70 and 71: 60 Optimering af Minimax klarer sig
- Page 72 and 73: 62 Optimering af Minimax IF v < m T
- Page 74 and 75: 64 Optimering af Minimax er tilfæl
- Page 76 and 77: 66 Optimering af Minimax Figur 5.9:
- Page 78 and 79: 68 Optimering af Minimax vigtigt at
- Page 82 and 83: 72 Begrænsning af antallet af unde
- Page 84 and 85: 74 Begrænsning af antallet af unde
- Page 86 and 87: 76 Begrænsning af antallet af unde
- Page 88 and 89: 78 Test og sammenligning af de impl
- Page 90 and 91: 80 Test og sammenligning af de impl
- Page 92 and 93: 82 Test og sammenligning af de impl
- Page 94 and 95: 84 Test og sammenligning af de impl
- Page 96 and 97: 86 Test og sammenligning af de impl
- Page 98 and 99: 88 Test og sammenligning af de impl
- Page 100 and 101: 90 Test og sammenligning af de impl
- Page 102 and 103: 92 Konklusion selv n˚a igennem et
- Page 104 and 105: 94 Konklusion
- Page 106 and 107: 96 Bilag A 19 20 // i n i t i a l i
- Page 108 and 109: 98 Bilag A 120 nodes [ p [ 0 ] ] [
- Page 110 and 111: 100 Bilag A 218 i f ( n . a > beta
- Page 112 and 113: 102 Bilag A 319 p [2]= nodes [ p [
- Page 114 and 115: 104 Bilag A 419 420 421 422 423 424
- Page 116 and 117: 106 Bilag A 517 n . wr = tModel . n
- Page 118 and 119: 108 Bilag A 61 } 62 } 63 64 // c h
- Page 120 and 121: 110 Bilag A 155 b [ c +1][ r −1]
- Page 122 and 123: 112 Bilag A 251 b [ c −1][ r −1
- Page 124 and 125: 114 Bilag A 347 r e = placePieceMax
- Page 126 and 127: 116 Bilag A 443 r e = placePieceMax
- Page 128 and 129: 118 Bilag A 537 b [ c +1][ r −1]
Kapitel 6<br />
Begrænsning af antallet af<br />
undersøgte træk<br />
6.1 Local Area<br />
Ideen med Local Area AI’en et at fokusere søgningen omkring et lille omr˚ade,<br />
der s˚a <strong>til</strong> gengæld søges helt <strong>til</strong> bunds. Omr˚adet lægges omkring modstanderens<br />
seneste træk, med mindre det er Local Area AI’en der starter. I s˚a fald ligger<br />
den bare en brik p˚a midten af brættet. Denne AI vil formentligt spille mere<br />
defensivt end offensivt, da den fokusere p˚a modstanderens træk som udgangspunkt.<br />
I praksis er det blot Minimax algoritmen med Alpha-Beta pruning, der<br />
sættes <strong>til</strong> at spille p˚a en lille plade midt i den store plade. Heuristikken vurdere<br />
dog spillet p˚a hele pladen og ikke kun det lokale omr˚ade. Dette betyder at<br />
figurer, der ligger op ad det lokale omr˚ade, f˚ar den indflydelse de skal have p˚a<br />
scoren som AI’en vælger sit træk ud fra. Local Area AI’en kører med et lokalt<br />
omr˚ade p˚a 4x4, da dette er den største plade, hvor p˚a Minimax algoritmen med<br />
Alpha-Beta pruning kan finde den fuldstændige løsning.<br />
Hvis modstanderen lægger sin brik tæt p˚a kanten af brættet flytter AI’en det<br />
lokale omr˚ade længere ind mod midten for fortsat at udnytte hele regnearealet.