Multi-agentní hledání cest pro dynamické cíle v zobecnění hry Pac-man

Abstract

Tato bakalářská práce řeší problém multi-agentního hledání cest s pohyblivými cíli v zobecnění hry Pac-man. Cílem práce je navrhnout metodu pro plánování pohybu více Pac-manů, kteří pronásledují vystrašené duchy. U Pac-manů je třeba se vyhýbat srážkám. Práce se zaměřuje na způsoby, jak problém pohyblivých cílů efektivně řešit. Pro vyřešení problému multi-agentního hledání cest s pohyblivými cíli byly použity algoritmy od Davida Silvera, jmenovitě Cooperative A*, Hierarchical Cooperative A* a Windowed Hierarchical Cooperative A*, a algoritmus Generalized Adaptive A* pro efektivní řešení podobných problémů hledání cest jedním agentem. S využitím těchto algoritmů byly v~této práci vytvořeny čtyři nové algoritmy, jmenovitě Cooperative Generalized Adaptive A* (CGAA*), Hierarchical Cooperative Generalized Adaptive A* (HCGAA*), Hierarchical+ Cooperative A* (H+CA*) a Hierarchical+ Cooperative Generalized Adaptive A* (H+CGAA*). Algoritmus Cooperative Generalized Adaptive A* dosahuje pravidelně nejlepších výsledků. Přínosem této práce je algoritmus, který může být efektivně použit i pro složitější problémy multi-agentního hledání cest.

This bachelor thesis solves a multi-agent pathfinding problem with dynamic targets in a generalization of the Pac-Man game. This work aims to propose a method for planning the movement of multiple Pac-Men who chase frightened ghosts. Collisions should be avoided for Pac-Man. The work focuses on ways to effectively solve the problem of moving targets. To solve the problem of multi-agent pathfinding with moving targets, algorithms from David Silver were used, namely Cooperative A*, Hierarchical Cooperative A* and Windowed Hierarchical Cooperative A*, and the Generalized Adaptive A* algorithm was used to effectively solve similar single-agent pathfinding problems. Using these algorithms, four new algorithms were created in this work, namely Cooperative Generalized Adaptive A* (CGAA*), Hierarchical Cooperative Generalized Adaptive A* (HCGAA*), Hierarchical+ Cooperative A * (H+CA*), and Hierarchical+ Cooperative Generalized Adaptive A* (H+CGAA*). The Cooperative Generalized Adaptive A* algorithm regularly achieves the best results. The benefit of this work is an algorithm that can be effectively used for more complex problems of multi-agent pathfinding.