Tekoälyn suunnittelu vuoropohjaiseen strategiapeliin

Abstract

Opinnäytetyönä suunnittelin tekoälyjärjestelmä vuoropohjaiselle Pc-strategiapelille. Tekoäly hyödyntää moderneja ohjelmistosuunnittelun- sekä pelitekoälyntekniikoita. Tekoälyn on haastava, mutta reilu ihmispelaajaa kohtaan. Tekoäly ei turvaudu huijaukseen perustuviin ratkaisuihin pelissä.

Pelin tekoäly perustuu priorisointijärjestelmään, missä tekoäly on jaettu pelivuoron vaiheiden mukaisiin alajärjestelmiin. Nämä alajärjestelmät tulevat käyttämään useita perinteisiä tekoälytekniikoita, kuten äärellisiä tilakoneita. Näiden alajärjestelmien yksityiskohtaiseen toteutukseen ei kuitenkaan puututa tämän opinnäytteen puitteissa, vaan opinnäytteen toteutusosio keskittyy priorisointipohjaisen strategisen tekoälyjärjestelmän suunnitteluun pelille. Priorisointipohjaisessa järjestelmässä kaikille tekoälyn toiminnoille on määritelty numeerinen prioriteettiarvo, johon vaikuttavat sekä pelin tapahtumat että tekoälyn persoonallisuus. Numeerisen prioriteettiarvon perusteella tekoäly valitsee toimintonsa jokaisella pelivuorolla. Valinnan jälkeen tekoälyn alajärjestelmät huolehtivat näiden toimintojen toteutuksesta.

This thesis is a design for an artificial intelligence, or AI, system for a turn based, Pc strategy game. The AI takes advantage of modern software designs and game AI technologies. The AI is a challenging but fair op-ponent to human players. The AI does not resort to solutions based on cheating.

AI in the game is based on a priorities system where the AI is divided into subsystems based on phases dur-ing a single turn. These subsystems use several traditional game AI technologies such as finite state machines. The practical part of this thesis, however, does not focus on the detailed implementation of these subsystems but on the design of the priorities based strategic AI of the game. In a priorities based AI system, every action of an AI has a numeric base value that is influenced by both in-game events and the personality of the AI. This numeric value determines the value of each action and guides the AI on deciding the best action. Once the action has been decided on, the subsystems handle the practical implementation.