USING ACCURACY-BASED LEARNING CLASSIFIER SYSTEMS FOR ADAPTABLE STRATEGY GENERATION IN GAMES AND INTERACTIVE VIRTUAL SIMULATIONS
Notice bibliographique
Résumé
Historically, the artificial intelligence (AI) of interactive virtual simulations or games is usually driven by pre-defined static scripts. One of the disadvantages of such scripted opponents is that they can be deciphered and countered by an intelligent user. Thus, the user has the opportunity to find weaknesses and an easy solution against the virtual simulation, which diminishes the efficiency aspect of a training session or entertaining value drastically. While randomization can be used to mask the static behaviour of a scripted AI, it is possible to develop much richer solutions by applying Learning Classifier System (LCS) techniques to create agents with intelligent-like behaviors. Learning Classifier Systems are rule-based machine learning techniques that rely on a Genetic Algorithm to discover a knowledge map used to classify an input space into a set of actions. In this paper, we propose the use of an unsupervised machine learning technique called Accuracy-based Learning Classifier Systems (XCS) for adaptable strategy generation that can be used in virtual simulations or games. XCS use a Genetic Algorithm to evolve a knowledge base in the form of rules. The performance and adaptability of the strategies and tactics developed with the XCS is analyzed by facing these against scripted opponents on a real time strategy game. According to our experiments, the rulesets are able to adapt to a wide array of behaviors from its opponents, as opposed to a linear game script, which is limited in its ability to adapt to its environment.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».