Multi‐criteria optimization of ball passing in simulated soccer
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Simulated soccer offers a standard real‐time environment for testing decision‐making methods for multi‐agent systems. One critical task is determining to which team‐mate the ball should be passed and the optimal point where this ball should be sent. Early methods based on enforced learning or heuristics tried to aggregate anticipated risks and pay‐offs instead of flexibly balancing them. That was because scholars were not treating ball passing as a multi‐criteria optimization problem in its classic sense. We propose a set of three criteria, tactical gain and two time balances, which should be balanced while selecting an optimal point on the field for passing the ball to. One of the advantages of this set of criteria is that they are treating direct and leading passes in the same way, thus offering a unified method for ball passing. In order to make this problem tractable, the continuous decision parameter space is replaced by a finite set of N points on the XY ‐plane, which are carefully selected using some heuristics. This set is searched for non‐dominated alternatives, of which one alternative is further selected. The selection is based on the relative importance of the criteria supplied by the developer of the soccer agent. The selection method is original and uses sequential elimination of poor alternatives with respect to one criterion. Criteria are applied randomly, with the probabilities proportional to their relative importance. Experiments have shown that the multi‐criteria decision‐making algorithm is superior to its heuristic‐based counterpart. Furthermore, we suggest that it might be implemented in the RoboCup leagues dealing with physical robots. Copyright © 2006 John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle