Modélisation et création d'un joueur virtuel de billard intelligent à l'aide de techniques d'optimisation et de planification
Bibliographic record
Abstract
Dans ce mémoire, nous proposons une approche pour la création d'un joueur de billard virtuel intelligent. Les éléments physiques du jeu de billard sont tout d'abord décrits afin d'illustrer la complexité du problème et un modèle est introduit permettant l'utilisation de techniques d'optimisations pour arriver à une solution. L'aspect technique du billard est tout d'abord observé et une approche pour créer un joueur capable de se repositionner n'importe où sur la table est proposée. L'aspect tactique du jeu est ensuite abordé à l'aide de différentes heuristiques pour déterminer la difficulté d'un coup et la sélection de la cible où se repositionner. Des résultats sont démontrés pour supporter les heuristiques proposées. Finalement, plusieurs modifications sont effectuées sur le modèle original pour arriver à un joueur final beaucoup plus performant. Le maximum de connaissances sont extraites de la table de billard pour arriver à effectuer une recherche intelligente dans les coups possibles. Ces modifications permettent de doubler la vitesse de l'optimisation en utilisant des points de départs beaucoup plus performants. Plusieurs tests sont générés pour démontrer les gains de performance avec ces nouveaux ajouts.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".