Řízení mobilních agentů pomocí konečných automatů ve scénářích s protivníkem

Abstract

V této práci se zabýváme možným využitím konečných automatů pro lokální řízení agentů soutěžících v dosažení cílových pozic proti jinému týmu agentů. Existuje několik algoritmů řešících tento problém, které jsou buďto centralizované, nebo předpokládají způsob komunikace mezi agenty. Námi předkládaná metoda lokálního řízení agentů konečným automatem je distribuovaná a agenti své tahy plánují nezávisle na ostatních. Pro snížení množství kolizí mezi agenty používáme konečný automat, který agentům lokálně plánuje vždy další tah s předpokladem že se bude vyhybat překážkám. Parametry konečného automatu jsme naučili evolučním algoritmem a vytvořili úspěšnější řešení. Metoda v testech ukázala vysokou rychlost plánování i pro vyšší počty řízených agentů, ale proti týmům řízeným pomalejšími oddělenými algoritmy, jako například IADPP, nebyla velmi úspěšná. Naopak ve scénářích s protivníkem řízeným algoritmem A* byly týmy lokálně řízené konečným automatem vysoce účinné.

In this thesis we analyse the possibility of utilizing finite automatons for local management of agents competing in achieving target positions against another team of agents. There are several algorithms to solve this problem, which are either centralized or assume a way of communication between agents. The method of local management of agents by a finite automaton presented by us is distributed and agents plan their moves independently of the others. To reduce the number of collisions among agents, we use a finite automaton that plans another move for agents, provided that it avoids obstacles. We learned the parameters of a finite state machine with an evolutionary algorithm and created a more successful solution. Tests showed high scheduling speed even for higher numbers of managed agents, but solution was not very successful against teams controlled by slower separate algorithms, such as IADPP. Conversely, in scenarios with an opponent controlled by the A * algorithm, teams locally controlled by a finite state machine were highly efficient.