Strategy Prediction in StarCraft: Brood War using Multilayer Perceptrons

Otte Sørensen, Henrik ; Garm Nielsen, Johannes

2. term

Computer Science, Master

2011

2011-10-28

98

Dette projekt præsenterer en måde at forudsige en spillers strategi i realtidsstrategispil (RTS) ved at fokusere på de enheder, bygninger og ressourcer, spilleren råder over (spilaktiver). Udgangspunktet er, at tilgængelige aktiver afgrænser, hvilke strategiske muligheder der er realistiske. Vi anvender maskinlæring og træner flerlagsperceptroner (MLP’er) til at forudsige en spillers aktiver på et fremtidigt tidspunkt n ud fra information om aktiver på et tidligere tidspunkt m, hvor m < n. For at håndtere det store antal mulige input introducerer vi en egenskabsudvælgelse baseret på designprincipper fra RTS-spil, så de mest relevante aktiver og afledte størrelser udvælges. Vi gennemfører eksperimenter, hvor MLP’er trænes med Tilbagespredning (Backpropagation), RProp, Genetisk Algoritme samt to hybrider, der kombinerer Genetisk Algoritme med Tilbagespredning og RProp, og vi vurderer deres evne til at forudsige aktiver som grundlag for strategiprediktion.

This project presents a way to predict a player's strategy in real-time strategy (RTS) games by focusing on the units, buildings, and resources they have (in-game assets). It starts from the idea that available assets constrain the strategic options a player can pursue. We use machine learning, training multi-layer perceptrons (MLPs) to predict a player's assets at a future time n from information about their assets at an earlier time m, where m < n. To manage the large number of possible inputs, we introduce a feature selection technique grounded in RTS game design principles to choose the most informative asset-related features. We run experiments in which MLPs are trained with Backpropagation, RProp, a Genetic Algorithm, and two hybrids that combine Genetic Algorithms with Backpropagation and RProp, and we evaluate how well these approaches predict assets as a basis for strategy prediction.

[This abstract was generated with the help of AI]

Download
View record in AAU Student Projects

Otte Sørensen, Henrik:

• Predicting Player Strategies in Real Time Strategy Games (2010)

Garm Nielsen, Johannes:

• Predicting Player Strategies in Real Time Strategy Games (2010)