Es existieren viele ausgezeichnete Spielprogramme, die auf ihrer jeweiligen Domäne alle bzw. fast alle menschlichen Spieler besiegen können. Diese Spielagenten befinden sich auf einem hohen Intelligenzniveau in Bezug auf das Spiel, für das sie programmiert
wurden. Wenn man bedenkt, dass diese Systeme ausschließlich nur auf dem jeweiligen Spezialgebiet einzusetzen sind, kann man dann nicht von einer eher beschränkten Intelligenz sprechen? Man stelle sich vor, ein Schach-Großmeister ist chancenlos gegen
durchschnittlich intelligente Kindergartenkinder, wenn er gegen sie einfache Spiele wie Vier Gewinnt, Mühle und Tic-Tac-Toe spielt. Man würde seine intellektuellen Fähigkeiten wahrscheinlich in Frage stellen. Analog dazu kann man auch die Intelligenz der klassischen Spielagenten anzweifeln, die nur jeweils ein Spiel beherrschen. Bisher lag die Aufgabe der Analyse von komplexen Strategiespielen ausschließlich in Menschenhand.
Der Mensch entwickelt spielspezifisches Wissen und Strategien zur Lösung des Spielproblems. Anhand der Ergebnisse dieser Denkprozesse wird nun ein Computer programmiert der lediglich dazu genutzt wird, anhand einer Schritt-für-Schritt Anleitung
des Programmierers eine Lösung für die definierten Probleme zu finden. Die eigentliche Intelligenz kam vom Menschen, die Rechenkraft vom Computer. Wünschenswerter wäre ein Computersystem, das dem Menschen diese strategische Denkarbeit abnimmt und zu einer vom Menschen definierten Problemstellung automatisch eine Lösung findet, ohne genaue Instruktionen zur Lösungsfindung vorgegeben zu bekommen. Auf dieser Vision aufbauend hat sich ein neuer Forschungszweig entwickelt – das General Game Playing (GGP). Hierbei geht es um die Entwicklung von Agenten, die ohne menschliche Intervention selbstständig viele verschiedene Arten von Spielen erlernen können. Ein GGP-Agent bekommt lediglich die Spielregeln eines Spiels überliefert und muss aus dieser Information das Spiel „erlernen“ und eine geeignete Strategie entwickeln, um es erfolgreich spielen zu können. Somit wird beim General Game Playing eine höhere Form von Intelligenz im Vergleich zu klassischen Spielagenten erreicht.
Inhaltsverzeichnis
1. Spiele als Forschungsobjekte der Künstlichen Intelligenz
1.1 Künstliche Spieler in der Vergangenheit
1.2 General Game Playing
2. Die General Game Playing Initiative
2.1 Die Weltmeisterschaft
2.2 Game Description Language (GDL)
2.2.1 Modellieruung eines Spiels in GDL
2.2.2 Die Syntax von GDL
2.2.3 Definierte Relationen in GDL
2.2.3.1 Die role Relation: (Spieler)
2.2.3.2 Die true Relation: (Spielzustand)
2.2.3.3 Die init Relation: (Initialzustand)
2.2.3.4 Die next Relation: (Spielaktualisierung)
2.2.3.5 Die legal Relation: (Erlaubte Spielzüge)
2.2.3.6 Die does Relation (Spielzüge)
2.2.3.7 Die goal Relation (Zielwert)
2.2.3.8 Die terminal Relation (Spielende)
2.3 Die Game Management Infrastruktur
2.3.1.1 Organisation des Spielablaufs
3. Strategien für das General Game Playing
3.1 Such-Verfahren
3.1.1 Minimax
3.1.2 Alpha-Beta-Suche
3.1.3 Iterative Vertiefung
3.1.4 Transpositionstabellen
3.2 Heuristische Bewertung
3.2.1 Identifikation syntaktischer Strukturen
3.2.1.1 Nachfolge-Relationen
3.2.1.2 Zähler
3.2.1.3 Spielbrett
3.2.1.4 Markierung/ Spielfigur
3.2.1.5 Zählbare Werte
3.2.2 Funktionsmerkmale als Bausteine der Bewertung
3.2.3.2 Zielerreichungsgrad
3.2.3.3 Stabilität von Funktionsmerkmalen
4. Fazit
Zielsetzung & Themen
Die Arbeit untersucht das Feld des "General Game Playing" (GGP), welches zum Ziel hat, künstliche Spielagenten zu entwickeln, die ohne menschliche Intervention spielunabhängig neue Strategien erlernen können. Die Forschungsfrage fokussiert sich darauf, wie Computer durch formale Spielbeschreibungen und heuristische Verfahren in die Lage versetzt werden, komplexe Strategiespiele eigenständig zu bewältigen.
- Entwicklung von GGP-Agenten im Vergleich zu klassischen Spielprogrammen.
- Die formale Modellierung von Spielregeln durch die Game Description Language (GDL).
- Infrastruktur und Organisation des GGP-Wettbewerbs.
- Such-Algorithmen wie Minimax und Alpha-Beta-Suche für unbekannte Spielumgebungen.
- Methoden zur automatischen Konstruktion heuristischer Bewertungsfunktionen.
Auszug aus dem Buch
3.2.1 Identifikation syntaktischer Strukturen
Beim Erlernen eines Brettspiels wie Dame entwickelt ein menschlicher Spieler anhand visueller Merkmale schnell Ansätze zur Bewertung von Spielpositionen. Diese Merkmale erschließen sich dem menschlichen Betrachter durch die physische Repräsentation der Spielobjekte sowie des Spielbretts, wobei gewisse entscheidend wichtige Eigenschaften eines Spielzustands (z.B. Lücken in der Hinterreihe bei Dame) auf einen Blick erkannt und bewertet werden. Obwohl die GDL-Spielbeschreibung diese Spielzustände eindeutig beschreibt und der physischen Repräsentation eines Spiels entspricht, ist die Identifikation solcher entscheidenden Merkmale im General Game Playing schwierig. Um jedoch eine heuristische Bewertungsfunktion für Spielzustände entwickeln zu können, müssen zunächst aussagekräftige Ausdrücke als Strukturen in der Syntax der Spielbeschreibung identifiziert werden.
Gregory Kuhlmann veröffentliche als Erster einen Ansatz solche Strukturen zu identifizieren [Kuhlmann et al. 2006]. Dabei wurde die Identifikation fünf elementarer Strukturen beschrieben: Nachfolge-Relationen, Zähler, Spielbrett, Markierungen (bzw. Spielfiguren) und zählbare Werte.
Zusammenfassung der Kapitel
1. Spiele als Forschungsobjekte der Künstlichen Intelligenz: Das Kapitel führt in die historische Entwicklung künstlicher Spieler ein und stellt das General Game Playing als Paradigmenwechsel gegenüber spezialisierten Programmen vor.
2. Die General Game Playing Initiative: Hier werden der GGP-Wettbewerb, die formale Sprache GDL zur Modellierung von Spielregeln sowie die notwendige Infrastruktur für den Spielbetrieb detailliert beschrieben.
3. Strategien für das General Game Playing: Dieses Kapitel erläutert Such-Algorithmen und verschiedene mathematische Ansätze zur heuristischen Bewertung von Spielzuständen, die GGP-Agenten für ihr eigenständiges Lernen nutzen.
4. Fazit: Das Fazit resümiert den Forschungsstand und diskutiert das Potenzial, diese Methoden über die reine Spieltheorie hinaus auf betriebswirtschaftliche Strategiefindungen zu übertragen.
Schlüsselwörter
General Game Playing, GGP, Künstliche Intelligenz, Spielagent, GDL, Game Description Language, Suchbaum, Minimax, Alpha-Beta-Suche, Heuristik, Bewertungsfunktion, Zustandsautomat, Spieltheorie, Strategieentwicklung, Logik.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit behandelt die Entwicklung von künstlichen Spielagenten, die in der Lage sind, verschiedene Arten von Spielen allein durch die Übermittlung der Spielregeln zu erlernen und erfolgreich zu spielen.
Was sind die zentralen Themenfelder?
Zentrale Themen sind die formale Spielbeschreibung mittels der Game Description Language (GDL), Suchverfahren für unbekannte Spielbäume sowie die automatische Generierung von Bewertungsheuristiken.
Was ist das primäre Ziel oder die Forschungsfrage?
Ziel ist es, Methoden aufzuzeigen, wie künstliche Intelligenz von einer spielspezifischen Programmierung zu einer universellen, anpassungsfähigen Strategiefindung für beliebige formale Spielsysteme weiterentwickelt werden kann.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit basiert auf einer Literaturanalyse aktueller Forschungsergebnisse und Konzepte der Künstlichen Intelligenz, insbesondere Ansätzen zur formalen Syntax-Analyse von Spielbeschreibungen und Methoden der mehrwertigen Fuzzy-Logik.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die Vorstellung der GGP-Initiative, die detaillierte Beschreibung der GDL-Syntax, sowie die Analyse verschiedener Such- und heuristischer Bewertungsstrategien.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind General Game Playing, GDL, Künstliche Intelligenz, Spielagenten, Heuristiken und Strategiefindung.
Was genau ist die "Game Description Language"?
GDL ist eine auf Datalog basierende, formale logische Sprache, die es ermöglicht, alle Aspekte eines Spiels – wie Initialzustände, erlaubte Züge und Gewinnbedingungen – für einen Computer eindeutig und maschinenlesbar zu definieren.
Warum ist die "Stabilität" von Funktionsmerkmalen für einen GGP-Agenten wichtig?
Die Stabilität ist entscheidend, da sie angibt, wie verlässlich ein Merkmal bei der Einschätzung einer Spielsituation ist. Merkmale, die über verschiedene Spielzustände hinweg stark schwanken, sind schlechte Indikatoren für den Fortschritt in Richtung Sieg.
- Citation du texte
- Dennis Kater (Auteur), 2009, General Game Playing, Munich, GRIN Verlag, https://www.grin.com/document/132150
