dc.contributor.advisor | González-Pardo, Antonio | |
dc.contributor.author | Guadalix Arribas, Gonzalo | |
dc.contributor.other | UAM. Departamento de Ingeniería Informática | es_ES |
dc.date.accessioned | 2016-01-20T10:09:13Z | |
dc.date.available | 2016-01-20T10:09:13Z | |
dc.date.issued | 2015-07 | |
dc.identifier.uri | http://hdl.handle.net/10486/669353 | |
dc.description | Máster en Ingeniería Informática y Máster en Investigación e Innovación en las Tecnologías de la Información y las Comunicaciones | es_ES |
dc.description.abstract | Los videojuegos de estrategia en tiempo real (Real-Time Strategy, RTS) presentan
nuevos retos en el área de la Inteligencia Artificial (Artificial Intelligence, AI). En
este escenario, los investigadores han desarrollado una amplia variedad de algoritmos
y agentes inteligentes para mejorar el rendimiento actual de ciertas tareas, como la
búsqueda de caminos óptimos, la micro-gestión o la exploración de los mapas. En
concreto, en juegos como Starcraft: Brood War, la creación de la competición anual
AIIDE del juego ha impulsado la aparición de nuevos trabajos enfocados a la aplicación de algoritmos de IA para mejorar diversos aspectos del juego. En este trabajo
presentamos un agente inteligente capaz de construir en lugares óptimos dentro de la
base siguiendo una cierta estrategia. En primer lugar, obtenemos un conjunto de datos
que contiene gran cantidad de repeticiones de jugadores no profesionales. Después, este
conjunto de datos es filtrado por las acciones por minuto de los jugadores (Actions Per
Minute, APM) y clasificado según las estrategias típicas de Starcraft. Luego, se extrae
información sobre los órdenes de construcción del conjunto de datos resultante. En este
contexto, diseñamos un Algoritmo Genético (Genetic Algorithm, GA) para generar
lugares de construcción óptimos para una estrategia. Concretamente, el GA genera
individuos a partir de acciones de construcción con restricciones, que son evaluadas
por una función de fitness adaptada al problema. Después, mediante una selección por
torneo se seleccionan las soluciones que generarán los nuevos descendientes. El método
de combinación utilizado es una combinación uniforme proporcional al fitness de la
solución. A la hora de mutar, el GA toma una de las siguientes alternativas: una tasa
de mutación estática, fijada en un valor concreto, o una tasa de mutación dinámica,
agregando un gen a las soluciones que será la tasa de mutación. Así mismo, se emplea
elitismo para conservar la calidad de las soluciones generación tras generación. Todos
los parámetros del GA son ajustados para obtener soluciones óptimas. Después, las
mejores soluciones son utilizadas por el agente inteligente y probadas contra la inteligencia
artificial por defecto del juego. Los resultados muestran que podemos escoger
mejores estrategias de construcción para ciertos mapas y razas antes de que la propia
partida comience. | es_ES |
dc.description.abstract | The Real-Time Strategy videogames (RTS) present new challenges in the Artificial
Intelligence (AI) area. In this scenario, researchers have developed a wide variety of
algorithms and AI agents to improve the current performance of specific tasks, such as
pathfinding,micromanagement or map exploration. Concretely, in games like Starcraft:
Brood War, the creation of the AIIDE Starcraft annual competition has boosted the
number of research papers discussing different aspects of the game. In this work we
present an AI agent capable of constructing on optimal building placements inside
a base following a certain strategy. First of all, we obtain a large dataset containing
multiples replays from non-profesional players. This dataset is then filtered by the
actions per minute (APM) of players and classified attending to typical Starcraft
strategies. The resulting dataset is later on used to extract information about building
orders. In this context, we design a Genetic Algorithm (GA) to generate optimal
building placements for a strategy. In particular, the GA creates individuals from
constrained building actions, that are evaluated by a problem adapted fitness function.
Then, a tournament selection is done to select the solutions for creating new offsprings.
The crossover method is a uniform combination proportional to the fitness score.When
mutating, the GA takes one of two alternatives: a static mutation rate, fixing a value,
or a dynamic one, adding a mutation rate gene to the each solution. Additionaly,
elitism is used to preserve quality to the next generation. Every GA parameter is
adjusted to obtain optimal solutions. Afterwards, the best solutions are utilized by
the AI agent and tested again the default AI of the game. Results show that we can
choose better building strategies for certain maps and races before the game itself
begins. | en_US |
dc.format.extent | 133 pág. | es_ES |
dc.format.mimetype | application/pdf | en_US |
dc.language.iso | spa | en_US |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.subject.other | Juegos de vídeo | es_ES |
dc.subject.other | Programación en tiempo real | es_ES |
dc.title | Análisis de estrategias de construcción en videojuegos de estrategia en tiempo real | es_ES |
dc.type | masterThesis | en_US |
dc.subject.eciencia | Informática | es_ES |
dc.rights.cc | Reconocimiento – NoComercial – SinObraDerivada | es_ES |
dc.rights.accessRights | openAccess | en_US |
dc.facultadUAM | Escuela Politécnica Superior | |