Učení lokálně řízených agentů ve Pac-Man

Abstract

Tato práce řeší možnosti, jak vytvořit agenta, který se naučí hrát hru Pacman. K tomu jsou využity dva přístupy. Prvním je kombinace genetického programování a zpětnovazebního učení. Druhým je využití neuronové sítě s pomocí trénovacích dat získaných simulací jiných agentů nebo manuálním hraním hry. Práce zahrnuje vytvoření modelu hry Pac-man se zjednodušenými pravidly. Dále obsahuje implementaci aplikace, která umožňuje hraní hry a slouží jako rozhraní mezi herním modelem a agenty, a obsahuje pomocné funkce umožňující učení agentů.

This thesis is about creating an agent, that can learn to play the Pac-man game. Two types of approach are used. The first approach is a combination of genetic programming and reinforcement learning. The second approach uses artificial neural networks that use training data obtained from simulations of other agents of manual gameplay. This thesis includes creation of a Pac-man game model with simplified rules. It also includes implementation of an application, which enables gameplay and serves as an interface between the agents and the game model, and contains auxiliary functions for agent learning.