Tekoälyn toteuttaminen vuoropohjaiseen strategiapeliin

Abstract

Työssä käsiteltiin erilaisia tapoja toteuttaa tekoälyä hyödyntävä tietokonepelaaja videopeleihin. Erityisesti keskityttiin peleihin, joissa tekoäly pelaa ihmispelaajaa vastaan. Tarkastelussa olivat yleisimmät hakualgoritmit ja muut lähestymistavat, kuten neuroverkot. Työssä selvitettiin tekoälyn toteutustapoja ja niiden pohjalta toteutettiin tekoälypelaaja yksinkertaiselle strategiapelille. Työn aihe valittiin tekijän henkilökohtaisen kiinnostuksen pohjalta.

Peli ja tekoäly toteutettiin molemmat Unity-pelimoottorilla, käyttäen C#-ohjelmointikieltä. Pelistä tuli yksinkertainen vastakkainen, kahden pelaajan täydellisen tiedon nollasummapeli. Tämänkaltaiselle pelille parhaaksi metodiksi valikoitu Monte Carlo -puuhaku, epäsymmetrisen hakupuun luova puuhakualgoritmi, joka kehitettiin alun perin lautapelien pelaamista varten minimax-algoritmin pohjalle. Metodi valittiin sen lähestyttävyyden sekä sen aiempien toteutuksien perusteella.

Monte Carlo -puuhaun avulla luotiin tekoälypelaajan alkuversio, jota olisi jatkossa mielekästä kehittää ihmispelaajaa haastavaksi pelaajaksi. Työstä syntyi kuitenkin hyvä alkuversio myöhemmälle kehitykselle, ja tekijälle kertyi paljon tietämystä ja osaamista aihealueelta.

The purpose of this thesis was to investigate different methods of creating a game playing AI for video games, and then to use the compiled information to implement an AI opponent for a simple game. AI in this case does not refer to a general intelligent agent, but rather the term is used in a more general sense of an artificial agent acting in place of a human player in games.

The approach selected was to collect data from multiple different written sources, then make a decision on what method to use for the practical implementation of an AI player. The game and the AI player were both implemented using the C# programming language in the Unity game engine.

For the purposes of this thesis, a simple two-player adversarial, perfect-information, zero-sum game was created. To implement the AI player, the Monte Carlo Tree Search, or MCTS, was determined to be the most fitting method among those discussed. A functional AI player was created but would have required more time for testing and improvement to create a challenging opponent for human players.