Gerçek Zamanlı Strateji Oyunu İçin Mikro Yönetim Yapay Zekası

Abstract

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.