В рамках проделанной работы была детально рассмотрена проблема создания искусственных игровых интеллектов. Рассмотрены различные варианты нейросетевых интеллектов, моделирующих поведение игрока в покер. Для тестирования и изучения интеллектов были реализованы различные среды, в том числе многопользовательское клиент-серверное приложение и менеджер игровых интеллектов.
Полученные результаты доказали эффективность применения генетических алгоритмов для обучения искусственных нейронных сетей, предназначенных для решения трудно формализуемых задач. Рассмотренные варианты интеллектов отличались различными наборами параметров искусственной нейронной сети и генетического алгоритма.
Несмотря на то, что рассмотреть все возможные варианты комбинаций параметров ИНС и генетического алгоритма не представляется возможным, с применением эвристического подхода были определены наиболее интересные наборы параметров, имеющие ярко выраженные черты. Например, рассматривались нейронные сети различным количеством межнейронных связей. При этом количество межнейронных связей варьировалось как количеством нейронов в слое, так и количеством скрытых слоёв. Аналогичным образом подбирались параметры генетического алгоритма: изучалось влияние новообразующего фактора на скорость обучения ИНС.
Полученные результаты показали, что в зависимости от структуры ИНС кардинальным образом меняется её способность к обучению и решению поставленной задачи. Слабыми решениями оказались искусственные нейронные сети с минимальным количеством скрытых слоёв: однослойные каскады показали полную неспособность к обучению. Лучшие результаты были получены у ИНС с большим количеством межнейронных связей, при этом внутренняя структура каскадов этих сетей имеет ступенчатый вид: каждый последующий слой имеет большее количество нейронов, чем предыдущий.
Существенным недостатком метода обучения ИНС, применённого в данной работе, является скорость получения результатов: для того, чтобы получить приемлемые для оценки результаты необходимо провести очень большое количество испытаний. Сам процесс испытаний интеллектов также является неоптимальным и требует существенной доработки.
В качестве наиболее перспективных направлений развития данной работы можно выделить следующие:
1. Исследование вариантов интеллектов, основанных на искусственных нейронных сетях с большим количеством межнейронных связей и ступенчатой структурой каскадов.
2. Оптимизация процесса обучения. Необходимо сократить время, затрачиваемое на тестирование приспособленности особей в популяции. Для этого в первую очередь следует отказаться от численного метода Монте- Карло, который используется в текущем решении. Возможно, имеет смысл ввести третий каскад в общую структуру ИНС, который будет отвечать за вычисление вероятности выигрыша.
3. Использованы не все возможности графического «движка». Клиентское приложение может быть модифицировано, как с точки зрения пользовательского интерфейса, так и с точки зрения оптимизации использования компьютерных ресурсов.


Купить