Evolving Team-Agent Based on Dynamic State Evolutionary Artificial Neural Networks

동적 상태 진화 신경망에 기반한 팀 에이전트의 진화

  • 김향화 (중앙대학교 첨단영상대학원) ;
  • 장동헌 (중앙대학교 첨단영상대학원) ;
  • 김태용 (중앙대학교 첨단영상대학원)
  • Published : 2009.02.28

Abstract

Evolutionary Artificial Neural Networks (EANNs) has been highly effective in Artificial Intelligence (AI) and in training NPCs in video games. When EANNs is applied to design game NPCs' smart AI which can make the game more interesting, there always comes two important problems: the more complex situation NPCs are in, the more complex structure of neural networks needed which leads to large operation cost. In this paper, the Dynamic State Evolutionary Neural Networks (DSENNs) is proposed based on EANNs which deletes or fixes the connection of the neurons to reduce the operation cost in evolution and evaluation process. Darwin Platform is chosen as our test bed to show its efficiency: Darwin offers the competitive team game playing behaviors by teams of virtual football game players.

진화하는 인공신경망은 인공지능분야와 게임 NPC의 지능 설계 분야에서 새롭게 각광을 받고 있다. 하지만 진화하는 인공신경 망을 이용하여 게임 NPC의 지능을 설계할 때 인공신경 망의 구조가 복잡함에 따라 진화와 평가에 필요한 연산량이 크며 또한 적절한 적합도 함수를 설계하지 못하면 지능적인 NPC를 설계할 수 없는 등의 문제점을 가지고 있다. 본 논문에서는 이러한 문제들을 해결하고자 동적 상태 진화 인공신경망을 제안한다. 동적 상태 진화 인공신경망은 전통적인 진화하는 인공신경망 알고리즘에 기반하여 진화 과정에서 신경망의 신경세포들 사이의 시냅스를 제거(disabled) 하거나 고정(fixed)시키는 방법을 통하여 진화와 평가과정에 소모되는 연산량을 줄이는 알고리즘이다. 본 논문은 Darwin Platform 을 테스트 베드로 축구게임 NPC의 지능 설계를 통하여 제안하는 방법의 유용성을 검증한다.

Keywords

References

  1. Andrew Rolling and Dave Morris., Game Architecture and Design, 2000.
  2. Kitano, H., 'Designing neural networks using genetic algorithms with graph generation system,' Complex Systems. pp. 4:461-476, 1990.
  3. Whitley, D., Starkweather, T., and Bogart, C., 'Genetic algorithms and neural networks, Optimizing connections and connectivity,' Parallel Computing, 14, pp. 347-361, 1990. https://doi.org/10.1016/0167-8191(90)90086-O
  4. Liu, Y., and Yao, X., 'A population-based learning algorithm which learns both architectures and weights of neural networks,' Chinese Journal of Advanced Software Research, 3(1), 1996.
  5. Yao, X., and Liu, Y, 'Evolving artificial neural networks,' Proceedings of the IEEE, Vol.87, No.9, Sept. 1999.
  6. Koza, J.R., and Rice, J.P., 'Genetic generalization of both the weights and architecture for a neural network,' International Joint Conference on Neural Networks, pp. 397-404. NY, IEEE, Vol.2, New York, 2000.
  7. Mat Buckland., AI Techniques for game programming, 2004.
  8. 임차섭, 김태용, 게임 NPC 지능 개발을 위한 무하분산과 그룹 행동을 지원하는 유연한 플랫폼 구조, 대한전자공학회 논문지, 제43권, 제2호, pp. 106-117, 2006년 3월.
  9. F. Gomez and R. Miikkulainen., 'Incremental evolution of complex general behavior,' Adaptive Behavior 5, pp. 317-342, 1997. https://doi.org/10.1177/105971239700500305
  10. Moriarty, D.E., 'Symbiotic Evolution of Neural Networks in Sequential Decision Tasks,' Technical Report AI, 1997, pp. 97257. Austin, 1997.
  11. Chern Han Yong, Risto Miikkulainen, 'Cooperative Coevolution of Multi-Agent Systems,' Technical Report AI, pp. 01-287. University of Texas at Austin, 2001.
  12. Stanley, K.O. Bryant, B.D., Miikkulainen, R., 'Real-time neuroevolution in the NERO video game,' IEEE Transactions on Evolutionary Computation, Vol.9, No.6, pp. 653-668, Dec. 2005. https://doi.org/10.1109/TEVC.2005.856210
  13. Hrstka O, Kucerova, 'A Search for optimization method on multidimensional real domains,' Contributions to Mechanics of Materials and Structures. CTU Reports, Vol.4, pp.
  14. SADE, http://klobouk.fsv.cvut.cz/~ondra/sade/sade.html.
  15. F. Porkili. Integral histogram, 'A fast way to extract histograms in cartesian spaces,' IEEE Conf. on Computer Vision and Pattern Recognition, 2005.