Data-driven Resource Management in Real-time Strategy
Authors
Hansen, Henrik Ossipoff ; Juul-Jensen, Lasse ; Christensen, Dion ; Kastaniegaard, Kasper
Term
2. term
Education
Publication year
2011
Pages
86
Abstract
Efterhånden som der kommer mere replay-data (optagelser af kampe) fra realtidsstrategispil, kan data-drevne metoder hjælpe med at effektivisere ressourcehåndtering i disse spil. Denne afhandling undersøger, hvordan data-drevne teknikker kan støtte både udnyttelse af kendte strategier og udforskning af nye, når ressourcer skal håndteres i realtidsstrategispil. Den sammenfatter forfatternes tidligere arbejde med en algoritme, der indsamler ressourcer mere effektivt. I tests øgede algoritmen mængden af indsamlede ressourcer og var mere forudsigelig end standardmetoden i testmiljøet. Afhandlingen ser også på, hvornår man bør udvide sin base. Med udgangspunkt i ekspertviden blev 28 faktorer (features), der kan påvirke udvidelsesbeslutninger, identificeret. Ved hjælp af feature-selektion (udvælgelse af de mest informative faktorer) blev der skabt delmængder med 15 faktorer, i alt seks forskellige sæt, og der blev trænet beslutningsmodeller med kunstige neurale netværk og beslutningstræer. Ingen delmængde gav bedre resultater end det fulde sæt, hvilket antyder lav støj i dataene. Med disse features kunne modellerne forudsige baseudvidelser i replay-data med en træfferrate på op til 64,43%.
As more replay data (recordings of matches) from real-time strategy (RTS) games becomes available, data-driven methods can help streamline resource management in these games. This thesis examines how data-driven techniques can support both exploiting known strategies and exploring new ones when managing resources in RTS games. It summarizes the authors’ earlier work on an algorithm that gathers resources more efficiently. In tests, the algorithm increased the total resources collected and was more predictable than the default method in the test environment. The thesis also investigates when to expand a base. Drawing on expert input, 28 factors (features) that may influence expansion decisions were identified. Using feature selection (choosing the most informative factors), subsets of 15 features were created, forming six different sets, and decision models were trained with artificial neural networks and decision trees. No subset outperformed the full feature set, suggesting the data contains little noise. Using these features, the models predicted base expansions in replay data with a hit rate of up to 64.43%.
[This abstract was generated with the help of AI]
Keywords
Documents
Other projects by the authors
Hansen, Henrik Ossipoff:
Juul-Jensen, Lasse:
Christensen, Dion:
Kastaniegaard, Kasper: