Developing game AI for the real‐time strategy game StarCraft
Aleksandar D. Micić, Davíð Arnarsson, Vignir Jónsson · 2011
Research into intelligent agents designed to play Real-Time Strategy (RTS) games has been limited compared to the amount of research that has gone into designing agents for playing board games such as chess. This is largely due to the fact that developing an agent for RTS is more complicated. There has been some positive development in the last couple of years though with the introduction of the Brood War API, which allows researchers to hook their AI into the popular RTS game StarCraft. StarCraft provides an interesting platform for AI RTS research due to its large variety of units and balance between playable factions. We designed an AI agent capable of making informed decisions in StarCraft. The agent uses Reinforcement Learning to improve its performance over time. Empirical evaluation of the agent shows this type of an approach to be viable in RTS games.; Litið hefur verið um rannsoknir a honnun gervigreindra forrita sem að spila Rauntima herkaensku (RTH) leiki i samanburði við það magn rannsokna sem hafa farið fram a honnun forrita sem að spila borðspil svo sem skak. Þetta er að storum hluta vegna þess hve flokið það er að hanna gervigreind forrit fyrir þessa rauntima leiki. A undanfornum arum hefur þo orðið jakvaeð þroun, þokk se hinum svo kallaða Brood War API, sem að leyfir rannsoknarmonnum að tengja forritin sin við hinn sivinsaela RTH leik StarCraft. StarCraft er goður grunnur fyrir RTH rannsoknir a sviði gervigreindar vegna mikils urvals peða(e. Units) og jafnvaegis milli liða. Við þrouðum gervigreint forrit sem að getur tekið akvarðanir byggðar a umhverfi sinu i rauntimaherkaenskuleikjum. Forritið notar Reinforcement Learning til að betrumbaeta hegðun sina eftir þvi sem að fleiri leikir eru spilaðir. Tilraunir með forritið sýna að su aðferð er raunhaefur kostur i þroun ervigreindar fyrir RTH leiki.