DOI QR코드

DOI QR Code

비단조 추론과 귀납적 기계학습 기반 적응형 전략 게임 엔진

Adaptive Strategy Game Engine Using Non-monotonic Reasoning and Inductive Machine Learning

  • 김제민 (숭실대학교 대학원 컴퓨터학과) ;
  • 박영택 (숭실대학교 컴퓨터학과)
  • 발행 : 2004.02.01

초록

요즘 사람들이 많이 즐기는 전략 게임들은 장르가 가지는 특성을 이행하지 못하고 있다. 사용자 객체의 행위에 적절히 대응하는 컴퓨터 객체의 행위를 추론해내지 못함은 물론이고 다양하게 구사되는 사용자의 전략에 대책을 마련할 수 있는 학습 능력을 갖추고 있지 못하기 때문에 사용자들은 별다른 전략 없이 컴퓨터를 상대로 쉽게 게임을 승리할 수 있다. 이에 본 논문에서는 컴퓨터 객체에 추론 능력과 학습 능력을 적용하기 위해서 비단조 추론방식과 귀납적 기계 학습을 적용한 전략게임 인공지능 엔진을 연구한다. 본 논문에서는 다음 3가지 부분에 중점을 두고 엔진을 연구하였다. 첫째 사용자가 제어하는 객체들의 행위를 포괄적으로 모니터하여 사용자의 객체 행위로 추상화하는 사용자 행위 모니터, 둘째 추상화된 사용자의 객체 행위에 대응하는 컴퓨터 객체들의 행위와 사용자의 전략을 학습하는 학습 엔진, 셋째 추상화되어 있는 컴퓨터 객체의 행위를 게임에 반영하는 행위 표현기를 중심으로 연구하고 있다. 특히 본 논문에서는 보다 정확하게 사용자 객체의 전략 행위를 학습하고, 사용자의 객체에 대응하는 컴퓨터 객체 행위를 만들어내기 위해서 비단조 추론과 기계 학습 기법중 하나인 귀납적 학습 방식을 적용하는 2단계의 구조를 연구하고 있다. 즉, 귀납적 학습 방법을 통해서 컴퓨터 객체가 학습한 정보를 바탕으로 비단조 추론을 이용하여 컴퓨터 객체의 행위와 전략을 결정한다. 이에 본 논문에서는 비단조 추론과 귀납적 기계 학습을 적용하여 기존 컴퓨터 객체의 행위와의 차별성을 밝혀내고, 컴퓨터 객체가 향상된 전략을 구사할 수 있게 하는 것이 주된 목표다.

Strategic games are missing special qualities of genre these days. Game engines neither reason about behaviors of computer objects nor have learning ability that can prepare countermeasure in variously command user's strategy. This paper suggests a strategic game engine that applies non-monotonic reasoning and inductive machine learning. The engine emphasizes three components -“user behavior monitor”to abstract user's objects behavior,“learning engine”to learn user's strategy,“behavior display handler”to reflect abstracted behavior of computer objects on game. Especially, this paper proposes two layered-structure to apply non-monotonic reasoning and inductive learning to make behaviors of computer objects that learns strategy behaviors of user objects exactly, and corresponds in user's objects. The engine decides actions and strategies of computer objects with created information through inductive learning. Main contribution of this paper is that computer objects command excellent strategies and reveal differentiation with behavior of existing computer objects to apply non-monotonic reasoning and inductive machine learning.

키워드

참고문헌

  1. welcome to game AI, http://www.gameai.com/ai.html
  2. Brodley, C. E. and utgoff, P. E., Multivariate decision tree, Machine Learning, 19, pp.45-77, 1995
  3. PRYOR, K., Clicker training for dogs, Sunshine Books, Inc., Waltham, MA, 1999
  4. Mitchell, K., Machine learning, McGraw Hill, New York, NY, 1997
  5. Thomas, D., Artificial Intelligence, Addison-Wesley Pte. Ltd., pp.187-212, 1995
  6. black&white, http://www.digipen.edu/~tfoldom/cs381/lectures/black&white
  7. Combinatorial Game Theory, http://www.aistudy.co.kr/game/com_game_theory.htm
  8. Kenneth A. De Jong and Alan C. Schultz, Using experience-Based Learning in Game playing, George Mason University, 1988
  9. JR. Quinlan, 'Induction of Decision Tree,' Machine Learning, pp.81-106, 1986 https://doi.org/10.1023/A:1022643204877
  10. JR. Quinlan, 'C4.5 Programs for Machine Learning,' SanMateo, CA : Morgan Kaufaman, 1993
  11. Elwyn Berlekamp and David Wolfe, 'Mathematical Go: Chilling Gets the Lasr Point,' A K Peters Ltd., 1994
  12. Baird, Douglas G., Robert H. Gertner and Randal C. Picker, Game Theory and the Law, Cambridge Mass. : Harvard University Press, 1994
  13. Tempest, http://www.softmax.co.kr/tempest/english