45358

Обучение игровых программ

Доклад

Информатика, кибернетика и программирование

Таким образом накопление позволяет либо экономить время либо достичь лучшего качества игры за то же время путем использования несколько большего дерева. Оно позволяет программе в ходе игры улучшать свои оценивающие функции. Качество игры зависит от подходящего выбора весовых коэффициентов k1 k2 k3 .

Русский

2013-11-16

41 KB

5 чел.

27 Обучение игровых программ

Представляет интерес программа для игры в шашки, разработанная Артуром Сэмюэлем. В этой программе Сэмюэлю удалось реализовать две формы обучения: накопление и обобщение.

Накопление сводится к хранению в памяти компьютера большого числа конфигураций на шашечной доске из тех, что реально (а не гипотетически) возникают в ходе шашечных игр. Вместе с каждой конфигурацией в памяти хранится также её числовая оценка, которая получилась путём построения дерева, применения оценивающей функции к терминальным вершинам и передачи значений вверх по дереву посредством минимаксной процедуры. Имея в памяти некоторое множество конфигураций вместе с их оценками, программа в процессе работы ищет соответствие между конфигурацией, отвечающей каждой из вершин дерева, и конфигурациями из числа запомненных. Если такое соответствие установлено, то хранимая в памяти оценка передаётся в эту вершину. В результате отпадает необходимость строить какую-либо ветвь, которая могла бы возникнуть под этой вершиной.

Таким образом, накопление позволяет либо экономить время, либо достичь лучшего качества игры за то же время путем использования несколько большего дерева.

Естественно, размер списка конфигураций, который может храниться в памяти и использоваться, ограничен сверху. А. Сэмюэль построил свою программу так, что наименее употребляемые конфигурации вычеркиваются, а часто встречающиеся остаются в памяти компьютера.

Другая форма обучения, использованная А. Сэмюэлем, – обобщение. Оно позволяет программе в ходе игры улучшать свои оценивающие функции. Обычно оценивающая функция представляет собой полином; в простейшем виде это полином первой степени, или взвешенная сумма

S = kl al + k2 a2 + k3 a3 + ...,

Полином может быть также и более высокой степени относительно переменных а, например,

S = kl al + k2 a2 + k11 a12 + k12 a1 a2 + ...,

Качество игры зависит от подходящего выбора весовых коэффициентов k1, k2, k3, ..., и обобщение является средством их подгонки, обеспечивающей улучшение игры. Метод обобщения представляет собой пример оптимизации с использованием процедуры, называемой "подъем в гору". Имеется начальный набор значений k1, k2, k3, ..., и в каждый момент времени эти коэффициенты определяют рабочую точку. Рабочая точка перемещается в пределах многомерного пространства по мере подгонки величин весовых коэффициентов в поисках положения, в котором оптимизируется определенная реакция или целевая функция.

Чтобы воспользоваться методом подъема на гору, следует дать программе возможность сыграть некоторое число игр с определенным партнером, выбрав какое-то начальное множество коэффициентов ki, а затем сыграть еще некоторое число игр, сделав пробные изменения в положении рабочей точки. Если программа во втором множестве игр выигрывает чаще, то принимается новое значение ki. В противном случае происходит возвращение к старой величине и производится какое-то новое пробное изменение.

Недостатки данного метода в следующем: во-первых, этот путь предполагает очень медленное движение, во-вторых, поскольку партнер не может играть абсолютно ровно, необходимо, чтобы два указанных множества игр были достаточно емкими.

Поэтому А. Сэмюэлем предложил другой путь нахождения весовых коэффициентов во время игры, который основан на том, что качество игры растет с увеличением глубины просмотра дерева возможностей. Если может быть найдено средство вычисления оценочной функции, обеспечивающее точное совпадение переданного назад по дереву (с большой глубиной) значения оценочной функции с результатом его прямого (с небольшой глубиной) определения, то такая оценка должна быть равнозначна изучению всего полностью построенного дерева игры.

Если S – результат прямой оценки с помощью оценочной функции, a Sb – результат передачи оценки по дереву (с большой глубиной), то можно считать их разность ошибкой е, где

e = S - Sb.

Сэмюэль сделал так, что в его программе вычислялась корреляция между е и а1, а2 и т.д. Положительная корреляция между е и любым значением а, указывает, что соответствующий коэффициент k, следует уменьшить, а отрицательная корреляция означает, что его надо увеличить.

При применении указанного метода требуется уделить внимание обеспечению его устойчивости. Для повышения устойчивости Сэмюэль фиксировал один из весовых коэффициентов, тогда как другие коэффициенты изменялись. Обычно это был наиболее важный параметр, оценивающий материальное соотношение, поскольку разумно полагать, что игроку всегда выгодно, чтобы его фигуры на доске сохранялись.

Таким образом, А. Сэмюэлем был создан алгоритм программы, обладающий свойством самообучения (обучение без учителя). Эту программу считают первой в мире действующей самообучающейся программой.

А. Сэмюэль пошел еще дальше. Он держал в своей программе больший ассортимент критериев (а1, а2 и т.д.), чем тот, что допускался для использования в конкретной оценивающей функции. Используемое множество критериев видоизменялось во время игры: если какое-то из значений весовых множителей ki оставалось близким к нулю в течение длительного времени, то тот компонент оценивающей функции, к которому относился этот коэффициент, изымался из рабочего множества, а на его место ставился другой из числа ожидавших своей очереди. Изъятый критерий добавлялся к множеству ожидавших своей очереди и мог быть впоследствии заново внесен в оценивающую функцию.

Возможность изменения множества критериев аi придает данному методу обучения новый характер. Теперь его можно воспринимать как некую самоорганизующуюся систему, способную изменять в процессе обучения не только свои параметры, но и структуру.

Далее А. Сэмюэль предложил замкнуть игровую программу саму на себя – организовать работу программы таким образом, что она могла вести игру и самообучаться непрерывно днем и ночью, имитируя одновременно двух игроков (x и y). Игроку x разрешалось модифицировать свою оценивающую функцию путем обобщения, тогда как игрок y пользовался фиксированной оценивающей функцией. Когда x выигрывал игру, игрок y копировал оценивающую функцию у игрока x. Если же игрок y выигрывал подряд три игры, то его оценивающая функция копировалась игроком x. Это гарантировало возможность возвращения игрока x к прежнему положению в том случае, если процесс подгонки параметров происходил в нежелательном направлении.

Таким образом, А. Сэмюель создал программу, которая позволяла не только правильно играть в шашки, но и улучшать стратегию игры, используя опыт, накопленный в предыдущих партиях.

Современные обучающиеся игровые программы имеют недостаток.

Дело в том, что в современных игровых программах, как правило, реализованы сразу две парадигмы обучения – с учителем и без него. Результат обучения таких программ зависит от конкретного учителя. И очень часто вместо того чтобы учиться играть в игру, такие программы учатся обыгрывать учителя. Например, после победы DeepBlue над Гарри Каспаровым программисты IBM отказались от матча с другими гроссмейстерами. В результате чемпион мира заявил, что программа просто была "натаскана" на его партиях, она изучила его стиль и потому просто не способна конкурировать с другими гроссмейстерами.

Современная шахматная программа заведомо может научиться выигрывать у любого, но после этого ей придется некоторое время перестраиваться под другого соперника. Остается открытым вопрос о способности игровых программ к творчеству, т.е. смогут ли они вырабатывать принципиально новые решения, стратегии, стили, манеры.


 

А также другие работы, которые могут Вас заинтересовать

69773. Керування процесами в UNIX і Linux 50.5 KB
  Образ процесу В UNIXсистемах образ процесу містить такі компоненти: керуючий блок процесу; код програми яку виконує процес; стек процесу де зберігаються тимчасові дані параметри процедур повернені значення локальні змінні тощо; глобальні дані спільні для всього процесу.
69774. Види планування процесів і потоків 48.5 KB
  Види планування процесів і потоків. Довготермінове планування Засоби довготермінового планування визначають яку з програм треба завантажити у пам’ять для виконання. Таке планування називають також статичним оскільки воно не залежить від поточного стану системи.
69775. Реалізація планування в Linux 55 KB
  Ядро Linux при плануванні не розрізняє процеси і потоки тому для визначеності ми надалі говоритимемо про планування процесів. Планування процесів реального часу в ядрі Стосовно процесів реального часу достатньо сказати що: вони завжди матимуть під час планування пріоритет...
69776. Розробка системи розпізнавання двох об’єктів розпізнавання образів 402 KB
  Мета роботи: Вивчити основні принципи роботи алгоритму розпізнавання образів Hamming classification. Пояснення Хемінгової мережі та її класифікація: задаємо фігури у вигляді координат ,задаємо їх колір(розмір) та запускаємо програму.
69777. КАРФАГЕН В ЦИВИЛИЗАЦИОННОМ ПРОСТРАНСТВЕ СРЕДИЗЕМНОМОРЬЯ 35.5 KB
  К тому же говоря о Карфагене обойти тему Финикии просто невозможно так как она важна для более ясного понимания некоторых аспектов истории карфагенской державы. Уже в начале II тысячелетия до нашей эры это были пусть и маленькие но процветающие города...
69778. Пути совершенствования маркетинговой стратегии предприятия 694.5 KB
  Результатом этого является предоставление потребителям услуг удовлетворяющих их потребности и получение организацией за счет увеличения объема реализации продукции прибыли необходимой для ее нормального и эффективного функционирования и лучшего удовлетворения запросов...
69779. СОВЕРШЕНСТВОВАНИЕ ТЕХНОЛОГИЙ РАСЧЕТОВ С ИСПОЛЬЗОВАНИЕМ ПЛАСТИКОВЫХ КАРТ 231.61 KB
  Рассмотреть теоретические аспекты пластиковых карт, как платёжного средства, виды пластиковых карт и их характеристики Исследовать порядок расчетов с использованием пластиковых карт в России; Исследовать платежные системы, используемые для расчетов пластиковыми картами...
69780. СТАНОВЛЕНИЕ ПРОФЕССИОНАЛЬНОЙ ИДЕНТИЧНОСТИ СТУДЕНТОВ ПЕДАГОГИЧЕСКОГО ВУЗА 55.03 KB
  Актуальность исследования. Традиционно в качестве основных критериев профессионального развития личности выступали критерии эффективности деятельности, но уже в работах Е.А. Климова отмечается недостаточность этих критериев для оценки уровня профессионализации.
69781. Личностные особенности больных с гипертонической болезнью 61.09 KB
  Клиническая картина гипертонической болезни. Стадии гипертонической болезни. Диагностика гипертонической болезни. Несмотря на успехи в лечении и профилактике гипертонической болезни за последние годы она еще пока продолжает оставаться объектом прицельного исследования медицины и смежных с ней областей.