Professional Documents
Culture Documents
MR Analiza SpecifiÄ Nosti VeÅ¡taÄ Ke Inteligencije U Video Igrama
MR Analiza SpecifiÄ Nosti VeÅ¡taÄ Ke Inteligencije U Video Igrama
BEOGRAD
DEPARTMAN POSLEDIPLOMSKIH STUDIJA
Mentor:
Student:
UNIVERZITET SINGIDUNUM
DEPARTMAN POSLEDIPLOMSKIH STUDIJA
MASTER RAD
Tema:
Analiza specifinosti vetake inteligencije u video igrama
Mentor:
Student:
Nikola Kneevi
SADRAJ
1.
Uvod .................................................................................................................. - 4 -
2.
Metodologija istraivakog projekta ............................................................. - 5 2.1 Uvodne napomene i obrazloenje rada ...................................................... - 5 2.2 Predmet istraivanja................................................................................... - 5 2.3 Ciljevi i zadaci istraivanja ........................................................................ - 5 2.4 Istraivake hipoteze ................................................................................. - 6 2.5 Metodi istraivanja i tok istraivakog procesa........................................ - 6 -
3. Teorija vetake inteligencije u video igrama ................................................ - 7 3.1 Pojam inteligencije ................................................................................... - 7 3.2 Uvod u teoriju ........................................................................................... - 7 3.3 Privid inteligencije .................................................................................... - 9 3.4 Specifinosti kreiranja vetake inteligencije u video igrama ................ - 10 3.5 Ciljevi vetake inteligencije u video igrama ......................................... - 11 4. Tehnike i koncepti vetake inteligencije i njihova primena u video igram- 13
4.1 Ekspert sistemi (expert systems) ............................................................ - 13 4.2 Rezonovanje na osnovu sluaja (case-based reasoning)......................... - 14 4.3 Maine sa konanim stanjima (finite-state machine).............................. - 15 4.4 Produkcioni sistemi (production systems) .............................................. - 16 4.5 Stabla odluivanja (decision trees) ......................................................... - 16 4.6
methods, planning systems and scheduling systems) ................................................. - 16 4.6.1 Ponaanje orijentisano prema cilju (goal-oriented behavior) ...................... - 17 -
4.7 Logika prvog reda (first-order logic) ...................................................... - 18 4.8 Sistemi za vie agenata (multi-agent systems) ....................................... - 19 4.9 Vetaki ivot (artificial life).................................................................. - 19 -
-1-
Nikola Kneevi
4.10 Robotika (robotics) ............................................................................... - 21 4.11 Razuena logika (fuzzy logic) .............................................................. - 21 4.12 Mree sa propagacijom uverenja (belief networks).............................. - 22 4.13 Skriptovanje (scripting) ........................................................................ - 22 4.14 Mainsko uenje (machine learning) .................................................... - 23 5. Primena mainskog uenja u vetakoj inteligenciji u video igrama .......... - 24 5.1 Uvod u analizu mainskog uenja u video igrama .................................. - 24 5.2 Prednosti mainskog uenja u teoriji i njegovo stanje u praksi ............... - 24 5.3 Zadaci mainskog uenja u video igrama ................................................ - 25 5.3.1 Znaaj uenja i razlozi za njegovu implementaciju ...................................... - 26 5.3.2 Izbor tehnika koje donose uenje ................................................................. - 26 5.3.3 Varijante uenja ............................................................................................ - 27 5.3.4 Predvianje akcija......................................................................................... - 28 5.3.5 Adaptacija ..................................................................................................... - 28 5.3.6 Strategije i taktike vetake inteligencije koja ui ........................................ - 31 -
5.4 Potencijalne tehnike mainskog uenja za primenu u video igrama ...... - 32 5.4.1 Neuronske mree (neural networks) ............................................................. - 32 5.4.2 Genetski algoritmi i genetsko programiranje (genetic algorithms and genetic
programming) ...................................................................................................................- 37 5.4.3 Obuavanje sa pojaavanjem (reinforcement learning)................................ - 41 5.4.4 Snimanje ponaanja (behavior capture) ........................................................ - 43 5.4.5 Prepoznavanje ablona (pattern recognition) ................................................ - 44 5.4.6 Uenje jezika (language learning) ................................................................ - 45 -
5.5 Problemi primene mainskog uenja u video igrama .............................. - 46 5.6 Testiranje ................................................................................................. - 48 5.6.1 Povratne informacije..................................................................................... - 48 -
5.7 Osobenosti mainskog uenja u razliitim anrovima video igara .......... - 48 5.8 Zakljuci o mainskom uenju u video igrama ....................................... - 50 6. Vetaka inteligencija u video igrama kroz istoriju .................................... - 51 -
-2-
Nikola Kneevi
Zakljuak........................................................................................................ - 74 -
-3-
Nikola Kneevi
1. Uvod
Tenja ljudi da naprave inteligentne sisteme poput njihovog prirodnog postoji od
davnina. Sa razvijanjem tehnike pojavile su se mnoge mogunosti za primenu inteligencije
u reavanju raznih problema. Kada su se pojavile igre, ljudi su uvideli da se vetaka
inteligencija moe primeniti i u zabavne svrhe. Velikom brzinom se razvila industrija
igara, to je dovelo do novog naina zarade i novih radnih mesta. Od nekada prostih
inteligentnih sistema koji su bili odgovorni za funkcionisanje igara, nastali su sistemi koji
su veoma kompleksne strukture. Njihov zadatak je postao reavanje svakojakih problema
koji su nastali iz ideja dizajnera igara.
Zadatak ovog rada je da prikae postojee stanje vetake inteligencije, da objasni
njene specifinosti i da pokae njene vrline, slabosti i mogunosti kroz analizu iskustva
strunjaka koji su o njoj pisali i na njoj radili. Objasniemo poseban nain razmiljanja koji
je potreban da bi se pravilno krenulo u kreiranje inteligentnog ponaanja u igrama,
obuhvativi onu problematiku koja je po miljenju autora kljuna. Insistiraemo na teoriji,
kao skupu relevantnih znanja koja ine podlogu za programersku implemantaciju.
Analiziramo tehnike, koncepte i tehnologije koje se koriste u igrama i utiu na vetaku
inteligenciju. Pokazaemo kakva je uloga naprednijih tehnika mainskog uenja, jer su one
kljune za budue video igre. Dokazaemo vanost vetake inteligencije za budunost
industrije igara. Objasniemo i njenu vezu sa drugim naukama kao i razloge za njenu
specifinost u odnosu na druge oblasti akademske vetake inteligencije.
-4-
Nikola Kneevi
Cilj istraivanja ove grane vetake inteligencije je analiza njenog opteg stanja.
Analiziramo kakav meusobni uticaj imaju vetaka inteligencija i igra jedna na drugu.
Utvrivanje razloga za njeno trenutno stanje i isticanje njenih slabosti pomae nam da
otkrijemo njene potencijale. Dokazujemo vanost njene uloge za razvoj buduih igara i
ispitujemo potencijal fokusiranja na njeno kompleksnije implementiranje. Posmatramo
poseban nain razmiljanja koji prati kreiranje vetake inteligencije u igrama. Potrebno je
odgonetnuti zbog ega se inteligentno ponaanje u igrama najee svodi na privid ili
iluziju koju nam reiraju kreatori. Poseban zadatak je objanjavanje funkcionisanja raznih
reenja problema u igrama koji nastaju kroz dizajnerske ideje. Na kraju, potrebno je ispitati
specifine probleme u raznim vrstama igara, kako bi utvrdili ta su poznata zajednika
pravila u kreiranju meusobno slinih igara.
-5-
Nikola Kneevi
Opta hipoteza:
Vetaka inteligencija ima ogroman znaaj za budunost oveanstva. Njena
primena je veoma iroka, a njene mogunosti i potencijal su teko merljivi. Ako
posmatramo njenu primenu u svrhu napretka oveanstva, videemo da je njena uloga da
zameni ljude, ubrza reavanje raznih problema i otkloni faktor ljudske greke. U zabavnoj
industriji je takoe teko proceniti njene domete. Sa napretkom tehnologije i vetake
inteligencije uopte, stvorie se novi naini primene inteligentnih sistema u zabavne svrhe.
Radna hipoteza:
-6-
Nikola Kneevi
Inteligencija je termin koji opisuje jedan ili vie kapaciteta uma. Ukljuuje
kapacitet za apstraktno razmiljanje, razumevanje, rezonovanje, uenje, planiranje,
emocionalnu inteligenciju i reavanje problema. Mnogo definicija i hipoteza predloeno je
o inteligenciji jo pre dvadesetog veka, ali konsenzus nije postignut u akademskim
krugovima. Inteligencija je najvie izuavana kod ljudi, ali je posmatrana i kod ivotinja i
biljaka.
Inteligencija potie od latinske rei intelligere koja nastaje iz inter-legere to
znai izabrati ili raspoznati. Forma ove rei intellectus postala je srednjovekovni
tehniki termin za razumevanje.
Uzmimo definiciju iz komercijalne nauke o inteligenciji iz 1994. godine, koju su
kao izjavu dala pedeset dva istraivaa kako bi blie objasnili inteligenciju. Inteligencija je
veoma uoptena mentalna sposobnost koja, izmeu ostalih stvari, ukljuuje sposobnosti
rezonovanja, planiranja, reavanja problema, apstraktnog razmiljanja, razumevanja
kompleksnih ideja, brzog uenja i uenja iz iskustva. To nije prosto uenje knjige, uska
akademska vetina ili reavanje testova. Ona se pre ogleda u irokoj i dubljoj sposobnosti
razumevanja naeg okruenja pohvatati neto, davati smisao stvarima ili ukapirati
ta treba raditi.
Vetaka inteligencija je inteligencija maina ili simulacija inteligencije u
mainama. Njena primena je iroka i danas je od velike pomoi u raznim delatnostima.
-7-
Nikola Kneevi
nosi sa sobom veliku odgovornost za ugled i komercijalni uspeh igre. Industrija igara je
veoma napredna, a njen finansijski obrt je vei nego onaj koji pravi filmska industrija, na
primer, pa je razvoj uvek prisutan, a inovacije i funkcionalnost od kljunog su znaaja.
Poput drugih oblasti u razvoju, vetaka inteligencija u igrama ima svoje standarde i sve
vee zahteve. Teoretska podloga za razumevanje vetake inteligencije u igrama mora da
poslui kao osnova za odgovor na zadatke koji se postavljaju pred kreatore, za
primenjivanje prethodnih iskustava sa slinim problemima, za izbor tehnika koje e se
koristiti u reavanju problema i za odreivanje stepena mogue inventivnosti u reavanju
postojeih ili savladavanju novih problema proisteklih iz dizajnerskih zahteva.
Relativno kratka istorija poduhvata igrake vetake inteligencije daje nam odlinu
sliku razvoja i uspenosti razliitih reenja. Trendovi u pravljenju dananjih igara govore
nam da je mogunosti i zahteva sve vie. Period pravljenja jedne igre je sve dui, a maine
su unapreene dovoljno da resursi za vetaku inteligenciju ne manjkaju kao ranije. S
obzirom na unapreenje svih sastavnih delova jedne igre, kao to su grafiki prikaz,
animacija ili zvuk, koji postaju sve manji problem, moda e doi vreme da vetaka
inteligencija izbije u prvi plan kod igraa i bude u fokusu kod kreatora igara.
Pored jasne podele izmeu vetake inteligencije u igrama i drugih vidova
inteligentnih sistema, postoji i jasna razlika izmeu sistema u samim igrama. Igre se
meusobno mogu veoma razlikovati, pa se i vetaka inteligencija umnogome razlikuje od
igre do igre, jer reava razliite probleme. Najpriblinija podela mogla bi se napraviti po
anrovima igara. Igre koje pripadaju istom anru imaju slinu vetaku inteligenciju koja
se kroz vreme poboljava, uzimajui ve oprobano dobre elemente od starijih igara i
dodajui novine, koje dovode do evolucije u vetakoj inteligenciji tog anra. ak i kada
nema novih reenja, bitno je da stara vre posao koji je zacrtan dizajnom. Funkcionalnost
je na prvom mestu i zbog toga rizini poduhvati kreatora nisu previe esti koliko bi to
moda bilo dobro za razvoj oblasti, ali cena neuspelog eksperimenta je kolaps igre kod
igraa i kritike, ili konstantno odlaganje njene pojave na tritu, a to dovodi do loijih
finansijskih rezultata i slabljenja pozicija odgovornih kreatora, pa je to razumljivo. Jasno je
da je velika odgovornost kreatora vetake inteligencije, jer svako udno ponaanje
agenata u igri izaziva smeh i, naposletku, nezadovoljstvo igraa i ostavlja veoma lo utisak,
a svaka dosetka kojom se igrai slue kako bi pobedili vetaku inteligenciju na
nepredvien, udan i nerealan nain potpuno razbija koncept igre i ini je dosadnom i
lakom.
ini se da samo vodee kompanije i njihove prestine igre, u koje se puno ulae da
bi se jo vie dobilo, imaju obavezu da donesu novine i napredak na svakom polju. Zato se
na velike igrake naslove baca otriji pogled kritike i fanova, a za njihov sistem
inteligencije podrazumeva se da nema propuste i oekuje se da oduevi makar povremeno.
Da bi se dolo do takvog nivoa potrebno je veliko programersko znanje, ali i puno
planiranja i poznavanja onoga to je bilo i da li se dobro pokazalo ili nije. Takoe je
potrebno uvek gledati druge nauke i pratiti njihov razvoj, jer u njihovim saznanjima esto
lee reenja za probleme i koncipiranje igrakog inteligentnog sistema.
Vetaka inteligencija se moe bazirati na agentima, ili na jednom centralnom
sistemu inteligencije. Agenti su autonomni karakteri koji uzimaju informacije iz sveta igre,
a zatim sami na osnovu dobijenih informacija prave akcije. Kada centralni sistem sprovodi
akcije, a ne autonomni agenti, kaemo da vetaka inteligencija nije bazirana na agentima
[4].
-8-
Nikola Kneevi
-9-
Nikola Kneevi
- 10 -
Nikola Kneevi
razliita pitanja, ili makar na delimino razliite probleme. Tako su nastajale i blago
modifikovane verzije poznatih endina, radi prilagoavanja sitnim razlikama u igrama.
Moe se ipak rei da vetaka inteligencija u nekom izabranom anru zajedniki
evoluira, pa su tako mnoge pucaine iz prvog lica koristile endin Unreal-a i Quake-a u
narednim godinama (blago modifikovan tamo gde je to bilo potrebno iz raznih razloga).
anrovi igara primetno pokazuju iste mane, mogunosti za napredak i standardizovana
ponaanja vetake inteligencije u igrama koje pod njih spadaju. Najuspeniji endini e se
pokazati kao dobra podloga za nadogradnju i usavravanje za budue kreiranje igara.
Vetaka inteligencija u igrama jo uvek ne moe da prati akademska dostignua,
ali obilato koristi znanje iz akademskih krugova. Kako vreme prolazi tako se poboljava
kompleksnost vetake inteligencije u igrama, pa e nekada moda i akademski krugovi
imati ta da naue iz igara. Postoje jo neke nauke koje su bitne za vetaku inteligenciju
neke igre. Evoluciona psihologija moe se lepo primeniti u igrama, jer ona omoguava da
karakteri evoluiraju na pravilan nain. Dramaturgija je veoma zastupljena u igrama. Onaj
ko je dobro poznaje moe svoju igru uiniti daleko zanimljivijom i ivotnijom. Primera
ima jo, jer se inspiracija moe pojaviti iz mnogih elemenata realnog ivota.
Poznati dizajner igara, Sid Majer, rekao je da su igre skup interesantnih mogunosti
ili izbora [15]. Za uspeh igraa potrebno je da zna kada, kako, gde i ta da izabere. Slino
se moe rei i za agente vetake inteligencije. Rekli smo da vetaka inteligencija u
igrama nije na nivou one akademske, a pravi razlog za to je kontekst. Igre se prave da budu
zabavne igraima, pa tako i vetaka inteligencija u igrama ima zadatak samo da prui
dobru zabavu i omogui zaradu kreatorima. Logino je da vetaka inteligencija koja slui
nauci, medicini, vojsci i drugim vitalnim (ozbiljnijim, ili vanijim) oblastima ima mnogo
ozbiljnije rezultate. Pa ipak, zahvaljujui velikoj popularnosti igara, te ogromnom obrtu
novca igrake industrije, vetaka inteligencija u igrama stalno mora da napreduje.
Pruiti zabavu igraima nije lako. Ljudi su skloni da se nasmeju vetakoj
inteligenciji kada ne moe da pronae put, ali su izuzetno ljuti na nju ako ih pobeuje
stalno i bez muke. To znai da vetaka inteligencija mora da deluje pametno, ali i da
bude, naposletku, loija od igraa. Velika veina igraa eli da pobedi kompjuter u igri, ali
ne na lak nain, ve za njih izazovan, gde igra ima oseaj da je bio dobar i da stalno
napreduje. Poto postoje razni profili igraa, moraju postojati i razliiti nivoi teine u
igrama. Uzmimo za primer prosenog igraa koji ne eli da razmilja previe dok se oputa
uz igru. Za njegov mentalitet je potrebno obezbediti laganog protivnika. Takav protivnik
moe biti spor, neprecizan ili pomalo glup. Jedan od naina da se to postigne je i
uproavanjem vetake inteligencije. Iako je kreator vetake inteligencije ekspert za
neku igru, on mora da bude svestan velike veine igraa koji to nisu. Tu na scenu stupa
izbor malo manje inteligentnih ponaanja, bezglavo jurianje, korienje prostijih oruja i
orua, amaterski menadment resursa u igri i sistem odluivanja i planiranja uopte.
Nasuprot tome, postoje eksperti za igru i meu igraima, kojima treba razlog i izazov da bi
je to due igrali. Na veim nivoima teine se pokazuje koliko je vetaka inteligencija
zaista dobra. Tu se moraju upotrebiti strategije raznog tipa da bi se pobedio igra koji je
unapredio svoju igru. U veini igara, kompjuter uvek moe da pobedi igraa. Meutim, to
- 11 -
Nikola Kneevi
nije cilj kreatora igre. On to moe, jer moe da vara. Vetaka inteligencija koja vara je
ipak prisutna u igrama. Kompjuter svoja ogranienja u razmiljanju nadomeuje varanjem
da bi igrau pruio izazov. Iako bi u startu mnogi igrai rekli da su protiv toga, sloie se
da je najbolje da kompjuter i vara, ali da oni to ne mogu da detektuju, ako e to doneti
neophodnu dozu izazova i zabave.
Najvea satisfakcija za igrae jeste pobeda, ali postoji i dobar poraz [23]. Kada
vetaka inteligencija pobedi igraa, ali igra shvata da mu malo vebe ili razmiljanja
treba da bi na kraju on bio pobednik, vetaka inteligencija je dobro uradila svoj posao.
Sluajnost i iznenaenje su, takoe, osobine koje bi jedna zarazna igra trebalo da ima.
Igra ne sme da zna igru napamet, ve mora da dobije mogunost da se snalazi i izvlai iz
novih neugodnih situacija. U igrama koje imaju mogunost igranja vie igraa, vetaka
inteligencija najee nije zanimljiv protivnik, ali ona mora da slui igraima da se
pripreme za obraune sa drugim ljudima, odnosno dok ue da igraju i unapreuju osnovne
vetine. Ako je vetaka inteligencija u poziciji saveznika igraa, ona ne sme da preuzima
njegovu ulogu glavnog takmiara i slavu odluujueg faktora u pobedi, ve bi trebalo da
bude vie neprimetna podrka. Vetaka inteligencija nikako ne sme da pravi kikseve
poput udaranja u zid, zaglavljivanja, donoenja odluka koje niko razuman ne bi doneo i sl.
Moe se rei da igre veoma zavise od dobre vetake inteligencije, jer posle prvog
oduevljenja grafikom i zvukom, ili konceptom igre, igra sve manje primeuje ove
elemente.
Vetaka inteligencija poinje da dolazi do izraaja i postaje uslov za dalje igranje
igre, dobru kritiku i, naposletku, zaradu igre. Ona je, takoe, deo napredovanja cele
industrije igara, kao i stvaranja novih anrova i naina igranja.
- 12 -
Nikola Kneevi
Ekspert sistemi su sistemi koji prihvataju i koriste znanja ljudskih eksperata iz neke
oblasti. Sistem koristi bazu znanja i pomou nje odgovara na postavljeni upit. Sistem je
baziran na rezonovanju pomou znanja i on ima predefinisane odgovore pomou kojih
predlae akcije zavisno od upita koji mu je postavljen [26].
Ekspert sistemi spadaju u sisteme bazirane na pravilima i postoje ve pedesetak
godina, ali njihova popularnost se ne smanjuje i imaju primenu u raznim oblastima. U
igrama se koriste neto manje, jer je njihova implementacija tea u odnosu na neke tehnike
koje imaju sline rezultate. Osim toga, za mnoge igre ekspertska baza znanja ne postoji.
Sistem e ponekad suziti izbor, a on moe dati i nova mogua reenja. On nije fleksibilan,
pa reava probleme koji su usko u domenu, a i zavisi od baze znanja koju mu prave ljudski
eksperti, ali se on ipak smatra delom vetake inteligencije. Razlog za to je verovatno u
injenici da se ne mogu sve okolnosti predvideti kada se on kreira, pa samim tim neke
njegove odluke nisu predefinisane i on ima taman toliko fleksibilnosti u svom radu da ne
napravi ozbiljnu greku.
Ovaj sistem baziran je na pravilima. Kao mrea odluivanja, on je skup povezanih
vorova. Svaka kljuna taka u mrei predstavlja neku vrstu odluke ili akcije, koja vodi do
sledee odluke ili akcije. Postoje mree koje se stalno ponavljaju i one koje imaju kraj, a u
- 13 -
Nikola Kneevi
igrama se mogu nai i jedne i druge. Ekspert sistemi su obino mree sa poetkom i
krajem, u kojima put kojim se stie od poetka do kraja otkriva jedno od moguih
ponaanja iz skupa. Ceo proces se dogaa u jednom dahu. Zbog toga se ove mree moraju
resetovati pre ponovnog pokretanja akcije. Usled ove injenice one znaju da budu problem
za igre, jer se u igrama retko nita ne deava, pa se progres mree mora uvati i nastavljati.
Ako igra stane da razmisli u nekoj igri, mrea nastavlja sa akcijama, a zbog postojanja
resetovanja, podaci ostaju netaknuti dok mrea ne radi nita.
Tokom igranja, ekspert sistem moe da se dopunjuje novim znanjima, zavisno od
procesorskih resursa, ali se to manuelno radi, u veini sluajeva pomou dizajnerskih alata.
Sistem radi tako to daje izbor korisnicima i proverava njihove odgovore, a zatim predlae
jednu ili vie akcija. Ekspert sistemi u igrama operiu sa podacima, odnosto pravila se
modeluju kao podaci, a ne kao kd. Oni nisu podesni za reavanje svih problema, ali se
mogu adaptirati na razliite skupove podataka pa su zgodni za pravljenje igara [3]. Nekada
e se igra umeati kod donoenja odluka ili akcija sistema, iz prostog razloga to bi krajnji
ishod rada mree trebalo da bude logian ili nametnut, da bi dao igrau ili kompjuteru
prednost.
Treba istai da su ovi sistemi veoma pogodni za igre na tabli ili logike igre gde je
broj akcija i ishoda konaan, a broj stanja, takoe, limitiran. Ekspert sistemi su dobri
onoliko koliko su ljudi koji ih prave zaista eksperti. Njihova baza znanja se, naravno, moe
poveavati, a uenje moe biti njihov sastavni deo.
- 14 -
Nikola Kneevi
- 15 -
Nikola Kneevi
[3]. Postoji veliki broj naina za modelovanje maine sa konanim stanjima, pa je njihova
primena jako velika u igrama. FSM se u igrama moe koristiti za kontrolu agenata,
neutralnih karaktera, vremenskih prilika, konverzacije
U uoptenom primeru jednog modela, objekti se sastoje iz nekoliko osnovnih klasa,
poput maine, stanja, tranzicije, uslova, ulaza, dogaaja i akcije. Postoji interfejs izmeu
programa i maine sa konanim stanjima, a prate se i podaci o trenutnom stanju, poetnom
stanju, listi ulaza, izlaza, uslova i stanja. Ako uslovi treba da izvre upit nad podacima van
maine sa konanim stanjima, maina obezbeuje interfejs [9].
Stabla odluivanja su sistemi koji odluuju slino principu if then izraza. Skup
ulaza daje bazu za odluivanje od korena pa preko svakog vora stabla posebno.
Roditeljski vor bira dete vor na osnovu ulaznih vrednosti [26]. Dakle, na poetku se daju
ulazne vrednosti, a svaki novi vor jeste jedan aspekt sveta igre koji se ispituje da bi se sve
zavrilo na kraju sa akcijom. to specifinije ponaanje traimo, to je stablo odluivanja
vee, a ona manja slue uglavnom za neka osnovna ponaanja. Postoje algoritmi koji mogu
da sastave stablo odluivanja od uzorka podataka na dinamian nain. Najee su to ID3 i
C4.5 algoritmi [26].
Ova metoda je vrlo koriena u igrama, jer je veoma prosta za shvatanje i
implementiranje. Vrlo se esto koristi u drutvenim igrama, odnosno igrama na tabli.
uveni Deep Blue superkompjuter, koji je pobedio velemajstora Garija Kasparova u ahu,
koristio je upravo ovu tehniku izmeu ostalog.
Nikola Kneevi
dato vreme i datu situaciju u svetu igre, moemo da koristimo sisteme planiranja i
zakazivanja [26].
Sistemi planiranja trenutno reavaju mnogo kompleksnije probleme od onih u
igrama, pa zbog toga njihova primena u igrama ima uspenih primera. Slino kao to ljudi
planiraju korake da bi doli do cilja, planirati moe i vetaka inteligencija. Kada agenti
vetake inteligencije odrede svoje ciljeve, oni prave plan kako da ih ostvare. Taj plan
moe biti sastavljen od vie koraka, u kojima e se prikazati odreeno ponaanje ili akcija.
Ovakvi sistemi generalno pruaju vei izazov igraima nego skriptovana vetaka
inteligencija, iji se manevri lako naue napamet.
Kod planiranja ima odreivanja prioriteta, kao i sluajno izabranih poteza, to daje
logiku i nepredvidivost u igri kompjuterski kontrolisanih karaktera. Problem planiranja je
konzumacija resursa kompjutera koji su na raspolaganju, tako da se ono mora paljivo
implementirati, tako da ga ne koriste svi agenti istovremeno, posebno ako ih je puno.
Interesantno je da nivo teine u nekim igrama zavisi upravo od planiranja. Ako igra
izabere najlakeg protivnika sa vetakom inteligencijom, on e birati planove manjeg
prioriteta, a ljudskim igraima e tako davati vee anse da ga nadmudre.
Zakazivanje se odnosi na vreme kada e se neko ponaanje ili akcija pokrenuti i
zavriti. To znai da algoritmi daju vreme svakom ponaanju ili akciji da bi se postigao
balans radnji u toku vremena. U svakom frejmu moe se procesirati celo ponaanje ili
njegov deo, sa nastavkom u sledeem frejmu. Ono takoe ima hijerarhiju, i zavisi od
prioriteta i frekventnosti nekog ponaanja ili akcije.
Sistem zakazivanja moe imati kompletna vetaka inteligencija, ali i posebni
agenti. Ono funkcionie tako to e u svakom frejmu oceniti koliko vremena treba dati
ponaanjima, a i sama ponaanja mogu da trae vreme, a sistem bi ga podelio. Ako bi se
previe ponaanja nagomilalo u vremenu, dolo bi do smanjenja optih performansi.
Nekim akcijama treba vie vremena da se isplaniraju, pa tu na scenu stupa algoritam koji
daje nepromiljeno, ali brzo reenje, koje se vremenom popravlja ako je loije, da bi se
krajnji cilj plana ostvario. Da njega nema, agent bi ekao neko vreme da se oslobodi
dovoljno vremena za akciju da bi je izveo i tako, ne radei nita, ne bi izgledao nimalo
inteligentno. Sistem zakazivanja ima algoritme koji uzimaju informacije o vremenu od
kompjuterskog asovnika. Ova pojava se koristi i kod operativnih sistema, a slui za
obavljanje vie radnji istovremeno.
4.6.1 Ponaanje orijentisano prema cilju (goal-oriented behavior)
- 17 -
Nikola Kneevi
parametara bitnih za agenta koga posmatramo. Kod izbora cilja vodi se rauna o sporednim
efektima ispunjenja datog cilja, jer se moe desiti da reavanje jednog problema
prouzrokuje drugi, jo gori. Ciljeva moe biti i vie, a onda se mora uzeti u obzir i vreme
izvrenja akcija. Ako agent ima potrebu da jede i da spava u isto vreme, logino je da prvo
jede, jer mu za to treba manje vremena. Razliite akcije mogu ispunjavati isti cilj, a
njihovo vreme izvrenja moe biti presudno. Agent moe da odlui da jede okoladu da ne
bi kuvao, ako nije previe gladan. Ako dve razliite akcije dovode do istog rezultata, agent
bi trebalo da odabere krau ili bliu, mada ponekad moe i sluajnim izborom da rei
dilemu.
Planiranje nije uvek najbolje reenje za agente. U linearnim igrama, najee
akcionog tipa, agenti imaju malo vremena na raspolaganju za ispoljavanje inteligentnog
ponaanja. Agenti u takvim igrama nemaju vremena za planiranje. Ideja planiranja je da
predvidimo nekoliko poteza unapred i da uzmemo u obzir promene u svetu igre koje
izazivaju akcije agenta. Kada nema dovoljno vremena i kada imamo ogranien izbor akcija
za agente, koristimo uproeno planiranje, odnosno reakciju. Reakcija je predvianje
malog broja poteza, najee samo jednog. Agenti uzimaju parametre i biraju akciju koja
najbolje odgovara trenutnoj situaciji.
Planiranje akcija orijentisano prema cilju (goal-oriented action planing) je popularna
tehnika koja omoguava planiranje nekoliko akcija unapred kako bi se postigao cilj. Ako
posmatramo veliki broj parametara i moguih akcija, korienje ove tehnike je
kompleksno, pa je poeljno ograniiti se na manji broj stavki, ali i na manju sekvencu
akcija prilikom planiranja. U obzir se moraju uzeti i efekti svake od akcija koje dovode do
eljenog cilja, jer bi jedna izvrena akcija mogla da onemogui sledeu planiranu. Da bi se
stanje sveta moglo predvideti pre izvrenja akcije, potrebno je imati paralelni model sveta
kojim se lako manipulie i koji bi agentu prikazao stanje prouzrokovano izvrenjem svake
akcije u sekvenci. Kada je posredi kompleksan svet igre sa mnogo promenljivih, model
pravi listu promena koje bi se dogodile u odnosu na postojee stanje. U realnoj situaciji
stvari se komplikuju, jer akcije nekada nemaju jasan redosled izvrenja, a postoje i
ogranienja kojima se spreava da agenti promene neto bitno u stanju sveta igre. Osim
toga, postoje i situacije kada je nemogue predvideti stanje po izvrenju neke akcije.
Algoritam u osnovi fukcionie kao pretraiva i uva stanja u modelu sveta igre, koja mu
odgovaraju po numerikim vrednostima baziranim na pravilima. Algoritam e poveavati
sekvencu akcija dokle god je mogue, odnosno dokle god su predvieni modeli prihvatljivi
za cilj koji agent ima [4].
Postoje razliite osobine agenata i relacije izmeu njih u okruenju igre. Ovaj
sistem rezonuje o njima kao objektima u svetu igre. Sistem pretpostavlja objekte i njihove
relacije [26]. Logika prvog reda je uzorak vetake inteligencije od koga nastaje sve ostalo.
Na njega se, po potrebi, primenjuju razne varijacije. Kreator moe napraviti ovaj uzorak na
osnovu posmatranja ljudskog igraa ili svoje logike. Kada postoji ovakav sistem, mnogo je
lake napraviti varijacije, a to znai vei broj inteligentnih ponaanja. Takoe se uvaju
uvek potrebni resursi raunara. Kada postoji puno pasivnih karaktera u igri, izuzetno je
korisno imati ovu osnovnu verziju inteligentnih ponaanja, jer nema potrebe da se kreator
bavi svakim posebno.
- 18 -
Nikola Kneevi
- 19 -
Nikola Kneevi
Promene u svetu igre mogu biti bazirane na kalkulacijama kljunih faktora na datoj
lokaciji igre, ili se moe dozvoliti da svet evoluira bez uslova. U drugom sluaju,
inteligenciju potpuno nose agenti, a njihova inteligencija treba da bude pokreta loginih
ponaanja i promena u svetu igre [3].
Vetaki ivot se koristi drugim tehnikama da bi sistem funkcionisao. Maine sa
konanim stanjima, razuena logika, neuronske mree ili algoritmi koji imaju
predefinisane funkcije se koriste da oive svet igre. Igre The Sims serijala su uspean
primer A-life koncepta. Ove igre su zaista popularizovale vetaki ivot, a prva je drala
mesto najprodavanije video igre za raunare svih vremena. Jasno je da e ova tehnika
napredovati sa pojavom sve jaih maina.
4.9.1 Jaenje (flocking)
- 20 -
Nikola Kneevi
situacijama nain na koji e agenti reagovati moe biti razliit, zavisno od implementiranih
ponaanja koja se mogu koristiti zajedno sa tehnikom flokinga. Problem u efikasnosti
upravljanja moe biti okruenje. Uvek e bolje biti u irokom 3D prostoru kao to je
svemir, nego u lavirintu hodnika ili 2D mapi punoj prepreka.
- 21 -
Nikola Kneevi
Korienje ove tehnike daje reenje problema na slian nain kao razuena logika.
To su alati koji daju vezu izmeu raznih fenomena uzimajui u obzir uzrok i koristei
teoriju verovatnoe da daju osnov za miljenje agenta oko nepoznatih stvari u svetu igre.
Kada agent donese odreene zakljuke o stanju sveta, on pokuava da predvidi posledice
svih buduih akcija koje napravi [26].
Za razliku od razuena logike, koja sve fenomene posmatra kroz njihovo lanstvo u
skupu odreeno brojevima koji uvek moraju dati maksimalni zbir u datom opsegu, mrea
sa propagacijm uverenja ima zadatak da zakljui neto o uzroku fenomena i nema potpune
informacije o svakom moguem parametru koji se posmatra. Kod nje zbir nije uvek
maksimum brojanog opsega, jer on moe biti i manji, pokazujui time da sve poznate
okolnosti ne dovode do potpuno sigurnog zakljuka, ve do zakljuka koji je, po
prikazanom, najverovatniji. U strategijama se moe napraviti odreeno predvianje na
osnovu onoga to vetaka inteligencija vidi na mapi. Ako protivnik ima strelce, on ima i
streljanu odakle ih regrutuje, ukoliko ve nije unitena. Meutim, s obzirom na to da je
prolo malo vremena od poetka partije, on verovatno nema i konjicu. Ovako razmilja
vetaka inteligencija koja koristi mree sa propagacijom uverenja. Izvori koji daju
podatke o nekom zakljuku mogu biti i kontradiktorni, a ako je tako, mrea nee doneti
nikakvu odluku ili zakljuak.
- 22 -
Nikola Kneevi
- 23 -
Nikola Kneevi
- 24 -
Nikola Kneevi
- 25 -
Nikola Kneevi
- 26 -
Nikola Kneevi
- 27 -
Nikola Kneevi
- 28 -
Nikola Kneevi
vetaka inteligencija sama mogla da naui ili da se adaptira na postojea stanja u igri.
Ovakva vetaka inteligencija bila bi u prednosti u odnosu na predefinisanu, a igrai bi
imali utisak da je izazovnija [20].
Kompleksnost implementacije i testiranja prilagodljivog ponaanja dovodi u pitanje
opravdanost njegovog korienja. Nekada i sam kontekst igre i datog prilagodljivog
ponaanja ne opravdava vreme i resurse uloene u implementiranje i testiranje. Jasno je da
ne mora itava vetaka inteligencija neke igre da poiva na adaptaciji, jer ima situacija
gde ona nee doneti oigledne promene iz ugla ljudi koji igraju igru. Dakle, adaptacija
mora da ima oigledan efekat na ponaanje kompjuterski kontrolisanih karaktera, na takav
nain da ljudi, dok igraju, vide i osete promene u ponaanju, koje bi se njima inile
pametnim i loginim.
Kompleksnost i komplikacije mogu se izbei korienjem lane slike uenja.
Vetaka inteligencija u startu pravi namerne greke, a kasnije smanjuje njihov broj dajui
utisak uenja kroz iskustvo. Moda se ini da je ovo loe reenje, ali postoje prednosti
ovakvog lanog uenja. Koliko brzo i tano ui vetaka inteligencija odreuje se unapred.
To daje mogunost kontrolisanja i paljive nadogradnje od strane kreatora, pre nego to
igra dospe u ruke igraa. Osim toga, testiranje postaje mnogo lake, jer pojava igraa i
njihovih stilova i poteza uopte ne utie na vetaku inteligenciju koja lano ui. Ipak,
lana adaptacija ne moe uvek biti reenje, jer se ona moe baviti samo predvienim
problemima i moe da rei samo probleme koje reavaju konvencionalne tehnike vetake
inteligencije [20].
Adaptacija u pravom smislu mogla bi se implementirati sa vie ili manje kontrole
od strane kreatora. Indirektna adaptacija vri se tako to se izvlae podaci iz sveta igre u
statistikom smislu, i to oni koje odredi kreator vetake inteligencije. Kada bi se izvukao
bitan podatak, vetaka inteligencija reagovala bi u skladu sa njim. Agenti ne bi nita
nauili, ali bi se adaptirali prema statistikim parametrima. To im daje mogunost da ee
poseuju odreene lokacije, ili da vie koriste odreena oruja, zato to je njihov uspeh bio
zadovoljavajui. Dobre strane indirektne adaptacije su, svakako, mogunosti manipulacije
parametrima. Kontrola kreatora veoma je velika, a sistem je pouzdan i lako ga je
implementirati. Naravno, glavni problem ostaje kreatorovo predvianje. Na kraju se moe
ispostaviti da se pravilna adaptacija ne moe dogoditi, jer kreatori nisu predvideli neke
parametre, lokacije ili stilove igraa [20].
Algoritmi uenja mogu se koristiti da bi se agenti direktno adaptirali na date
situacije. U svetu igre testiraju se modifikacije ponaanja agenata, kako bi se poboljala
njegova efikasnost. Ponaanju agenta moraju se dati neki parametri, a zatim se koristi
algoritam optimizacije ili obuavanje sa pojaavanjem kako bi se pronali parametri, a sa
njima i ponaanja koja daju najbolje rezultate u igri u datim okolnostima. Problem je u
tome to kontrola kreatora igre nije dovoljna, pa je potrebno mnogo evaluacije parametara,
a testiranje i otklanjanje greaka postaje mnogo tee. Osim toga, ovakva direktna
adaptacija moe da se prilagodi i grekama u fizikom endinu igre, to bi znailo da njeno
ponaanje postaje nerealno, jer je eksploatisanjem neke greke postizala najbolje rezultate.
Ipak, velika prednost ove direktne adaptacije je uenje, koje dovodi do pojave novina u
ponaanju [20].
Ultimativna vetaka inteligencija mogla bi sama da naui da igra igru, pod bilo
kojim okolnostima i sa bilo kakvim situacijama. Kada bi vetaka inteligencija sama mogla
- 29 -
Nikola Kneevi
da naui da igra i da se adaptira kroz igru, ne bi vie bilo propusta u njenom dizajnu i
uskog razmiljanja u toku igre, kao posledice nedovoljne kreativnosti njenog kreatora, ili
drugih problema koje kreatori sami stvaraju. Kompleksnost pravila i situacija u toku same
igre ne bi vie bila bitna, jer bi ih vetaka inteligencija sama reavala u hodu, to bi
dovelo do evolucije novih ponaanja i do potpuno nepredvidivih poboljanja igrakog
iskustva. Naravno, kada igra izae iz faze testiranja i dospe u ruke igraa, nemogue je
garantovati da se nee dogoditi nezgoda sa novim otkriima vetake inteligencije, a sama
igra moe postati ak i nemogua za igranje. Dakle, u praksi, direktna adaptacija
ograniena je na odreena polja, da bi se u nekoj meri mogla kontrolisati. Samo ona
ponaanja koja ne mogu negativno uticati na igrivost zahvaena su direktnom adaptacijom,
dok je indirektna verovatnije reenje za veinu kljunih akcija.
Korienje postojeih znanja za jednog agenta vetake inteligencije daje potporu
njegovom uenju. Kada bi se vetaka inteligencija bazirala samo na genetskom algoritmu,
on na poetku igre ne bi radio nita, jer nije nita nauio. Osim toga, njegovo uenje je
previe sporo, pa se bez prethodno definisanih ponaanja ne moe implementirati ni
uenje. Implementacija nekih osnovnih stvari za funkcionisanje agenata u igri, poput
kretanja, nalaenja najkraeg puta ili biranja najboljeg oruja, posao su kreatora vetake
inteligencije. Naposletku dolazi i uenje, fokusirano na parametre ponaanja kojima je
potreban napredak u toku igranja.
Informacije iz sveta igre obezbeuju zanimljive podatke i statistike, na osnovu
kojih agenti ue da budu pametniji i izazovniji. Da bi direktna adaptacija mogla da uspe,
agenti moraju imati merne jedinice sopstvene efikasnosti. Za mere su zadueni kreatori
vetake inteligencije i oni su ti koji definiu parametre efikasnosti. Kada se postave
parametri ponaanja i mere uspeha, implementira se algoritam optimizacije, koji trai
grupe parametara koje ine agenta uspenim u igri, ili pogodni genetski algoritmi.
Postoji jo pristupa uenju agenata. Obuavanje sa pojaavanjem nastaje iz veze
akcije agenta sa trenutnim stanjem sveta igre i uspehom koji ta akcija pokazuje. Agent ui
da primenjuje akciju koja ima najbolji prosek uspenosti u bilo kom stanju. Potrebno je
doneti odluku o sadraju informacija koje e se iz sveta igre postavljati u statusni vektor.
Problem je u tome to smanjivanjem broja korisnih informacija agenti sve vie gube
mogunost da naue nova efikasna ponaanja, a poveanje koliine informacija u vektoru
stanja smanjuje brzinu kojom agenti unapreuju ponaanje. Poto sporo adaptiranje ovom
tehnikom zahteva i ogroman broj evaluacija raznih parametara, ova tehnika ne bi bila
pogodna za svaku priliku, ali se u igrama gde su mogunosti igraa i agenata isti, agenti
mogu evaluirati poreenjem uspenosti sa drugim agentima i igraima.
Za adaptaciju agenata moe biti koristan i sam igra. Imitacijom igraevih poteza u
stratekim igrama ili simulacijama vonje dolazi se do uenja novih akcija direktnom
adaptacijom. Ako agenti dobiju naredbu da snimaju igraeve poteze, oni bi kasnije mogli
uspeno da ih izvode reprodukcijom akcija preko neuronske mree. Kada se pravi mera
performansi ponaanja vetake inteligencije, potrebno je izbegavati pojavu onih ponaanja
koja reavaju samo lokalne jedinstvene probleme, jer ona mogu dovesti do nemogunosti
unapreenja na drugim mestima, pod drugim okolnostima. Algoritmi uenja mogu biti i
zavisni jedni od drugih, dovodei do velikog smanjenja sopstvene efikasnosti. Prilikom
donoenja odluke agenti uzimaju u obzir mnoge faktore, to esto dovodi do slabog
unapreivanja meusobno zavisnih ponaanja i neadekvatne adaptacije. Zbog toga se
najbolji rezultati postiu identifikovanjem nezavisnih ponaanja, koja ne vre interakcije sa
- 30 -
Nikola Kneevi
Strateke i akcione igre esto zahtevaju analizu i planiranje od strane agenata, kako
bi se oni na pravi nain suprotstavili igraima. Vetaka inteligencija koja ui moe iz
iskustva da izvue pozitivne i negativne strane svoje taktike. Svaka mapa moe se podeliti
na orijentacione zone, koje pomau agentima u planiranju. Svaka zona ima svoje
specifinosti koje vetaka inteligencija vrednuje na osnovu iskustva. Da agenti ne bi
upadali u zasede i da bi efikasnije koristili mapu, oni koriste taktike planove, a algoritmi
uenja bave se vrednovanjem zona na mapi.
Kada agent neuspeno zavri akciju na nekom delu mape, vrednosti se u skladu sa
tim menjaju, dajui agentu do znanja da ne treba da ulee u zamke. U pozitivnom sluaju,
agent e se radije odluivati da planira akciju tamo gde se pokazao uspenijim. Agenti iz
linog iskustva mogu da prikupe informacije o tome koliko su, recimo, zdravlja izgubili
kada su koristili svoju strategiju. Osim toga, ako u svom vidnom polju imaju iskustvo
nekog drugog agenta, bilo dobro ili loe, koristie i njegovo iskustvo za planiranje akcija.
Vremenom e agenti shvatiti gde je opasnije boraviti na mapi, a gde je sigurnije.
U kreaciji igre mogu se uzeti neke pretpostavke o vrednovanju lokacija, kako bi
agenti od samog poetka imali predstavu o kljunim pozicijama. Pa ipak, da bi agenti
zaista pravili dobre planove i strategije, oni moraju uzeti u obzir i preferencije samih
igraa. Ako bi se uenje obavljalo dinamiki u toku igre, jasno je da adaptiranje na igraev
stil podrazumeva da se prethodno vrednovanje lokacija podeava i da na kraju sve zavisi
od igraa. Igrai e svakako reagovati na taktiku vetake inteligencije, pa je vrednovanje
neke lokacije, odnosno njeno preveliko favorizovanje, loe po agente. Zato se agenti
oduavaju od prvobitnih pretpostavki o lokacijama i prilagoavaju svoje planove
planovima igraa. U praksi, agenti u toku testiranja mogu da pogree mnogo puta u izboru
lokacija, ali kada igrai dobiju igru, nije poeljno ponavljati iste greke dok se jednom ne
rei da taktika nije dobra, ve se mnogo dinaminije moraju menjati planovi na osnovu
skorog iskustva sa igraima. Agenti kojima treba pet ili deset poraza da naprave bolji plan,
nee se initi inteligentnim igraima.
- 31 -
Nikola Kneevi
Ljudski mozak nije do kraja istraen, ali je jasno da je deo njegove strukture
neuronska mrea, koja broji od devedeset pet do sto milijardi neurona, od kojih svaki moe
imati do deset hiljada veza. Neuroni su vorovi mree koji alju i primaju signale. Signali
se prenose elektrinim pulsevima i oni predstavljaju informacije. Informacije se prenose
putem dendrita do tela elije i tamo se elektrini pulsevi sumiraju. Neuron ima oblik
zvezde i u njegovoj sredini se nalazi nukleus elije. Svaki neuron ima produetak poput
kabla ili ice, koji se naziva akson, i koji slui za konekciju sa drugim neuronima. Akson
se grana, a na vrhu grana su sinapsni terminali. Kada skup impulsa pree vrednosni prag,
on alje informaciju u vidu elektrinog impulsa, a ukoliko prag vrednosti nije preen,
neuroni ne alju informaciju. Signali, koji dolaze do neurona, bivaju prihvaeni u voru
koji spaja dendrite i sinapsne terminale. Ove vorove nazivamo sinapsama.
Ovakva struktura omoguava neuronskim mreama da se uhvate u kotac sa veoma
ozbiljnim problemima. Njihova mo dovoljna je da zainteresuje tvorce vetake
inteligencije, pa tako i one koji se bave igrama. Kada bi se razvukli svi aksoni i dendriti
jednog ljudskog mozga, njihova duina bila bi dva puta vea od razdaljine Zemlje i
Meseca. Vetaka inteligencija nije u mogunosti da tano reprodukuje grau i
funkcionalnost neurona, jer su oni veoma kompleksni, ali se neuronske mree mogu
posmatrati kao izvor generalnog znanja o funkcionisanju inteligentnog mozga. Pre bi se
moglo iskoristiti znanje o mehanizmima uenja, nego o samoj fizikoj strukturi bioloke
neuronske mree.
Ljudski mozak nije u svemu bolji od kompjutera, ali njegova struktura mu daje
neverovatne mogunosti. On moe da ui bez tueg nadzora. Ukoliko je neuron esto
stimulisan na visokoj frekvenciji, jaina njegove konekcije moe se promeniti na takav
nain da on mnogo lake emituje elektrine impulse. Suprotno takoe vai, jer ukoliko
neuron nije esto stimulisan, njegova konektivna mo vremenom opada.
Mozak je tolerantan na oteenja. Raniji eksperimenti sa ivotinjama pokazali su da
one pronalaze prethodno naueni put kroz lavirint ak i kada im se delovi mozga postepeno
odstranjuju, to znai da znanje nije u potpunosti lokalizovano u nekom delu mozga. ak
se pokazalo da neuroni mogu da obnove oteene konekcije meu sobom. Mozak je
sposoban da obradi veliku koliinu informacija. Iako je brzina signala daleko manja od
brzine koju poseduju digitalni procesori, velika koliina informacija procesira se
zahvaljujui paralelnom funkcionisanju neurona.
Ono u emu je mozak daleko uspeniji od kompjutera je generalizovanje
informacija. Na osnovu prethodno steenih znanja, mozak je u stanju da generalizuje i
prepozna poznate ablone. Primer za to moe biti itanje rukopisa koji nikada nismo videli,
ali ga moemo proitati. Svesnost je jo jedan dokaz fascinantnosti naeg mozga, mada je
teko objasniti ta je ona zapravo. Sve ove mogunosti zainteresovale su ljude, koji su
- 32 -
Nikola Kneevi
- 33 -
Nikola Kneevi
Mrea ceni uspenost akcije koju je proizvela i na osnovu toga ide nazad i podeava teinu
vorova, tako da rezultat bude bolji sledei put.
U igrama se neuronske mree ne koriste ba puno. Razlog tome je teina njihove
implementacije, kao i problemi mainskog uenja koje smo naveli. Sistem moe ove mree
koristiti za zadatke poput predvianja, podseanja ili uenja, ali u manjem i
kontrolisanijem obimu, a tee kao svoju bazu. Neuronske mree su inae potencijalno
veoma podobne za igre, jer njima moemo postii sve prednosti uenja, zadravajui
njihovu trivijalnost [10].
U jednoj igri neuroni se mogu posmatrati kao objekti koji komuniciraju ili obrauju
informaciju. Informacija se predstavlja sistemu preko senzora ili interfejsa, a signali izlaze
iz sistema kao akcije u jednoj varijanti, ili kao tragovi akcije u pokuaju u drugoj, kada
nema prelaska postavljenog praga vrednosti. Akcije se mogu posmatrati kao suma signala
prisutnih u sistemu u datom momentu, a svaki procesirani signal utie na njihov oblik.
Akcije izvrava eksterni interfejs, koji je spona izmeu virtuelnog sistema, koji predstavlja
igru, i neuronske mree. Signali, zapravo, samo daju inspiraciju za stvaranje odreene
akcije.
Neuronske mree se, u svom pravom biolokom obliku, ne mogu preneti na
vetaku inteligenciju u igrama, ali njihova struktura moe reiti mnoge probleme na
efikasan nain. Iako bi bilo sjajno kada bi svaki agent imao svoj mali mozak, ne moemo
rei da neuronske mree mogu tako neto da obezbede. Ipak, iako suvislo rezonovanje i
dedukcione sposobnosti nisu produkt dosadanjih vetakih neuronskih mrea, neke druge
prednosti njihove primene ipak postoje.
U kombinaciji sa algoritmom odluivanja, razuenom logikom ili genetskim
algoritmima moe se stvoriti prilino moan sistem vetake inteligencije. Neke od
interesantnijih mogunosti koje donosi primena neuronskih mrea su skeniranje okruenja
i klasifikacija. Neuronska mrea dobija informacije koje bi se mogle opisati kao vizija, a te
informacije mogu da se iskoriste kod izbora izlaznog reenja, ili kao neto to je mrea
nauila. U realnom vremenu ue se novi odgovori i nadograuju se radi optimizacije
izlaznog reenja.
Neuronska mrea moe se koristiti kao forma memorije agenata u igri. Ona moe iz
iskustva da naui skup odgovora na neku situaciju. Kada se dogodi novo iskustvo, mrea
odgovara na izazov birajui priblino najbolji odgovor koji se u prolosti dobro pokazao u
slinoj situaciji. Kontrolu ponaanja agenata neuronska mrea sprovodi tako to njene
izlazne forme oblikuju akcije agenata, a njeni ulazi su razne promenljive iz sveta igre.
Mapiranje odgovora je jo jedna funkcija koju mree mogu dobro da obavljaju. Mapiranje
koristi neuronsku mreu na samom izlaznom delu, da bi stvorilo jo jedan sloj indirektnih
pojava u kontroli ponaanja. To znai da neuronska mrea nalazi nova reenja iz
promenljivih koje nisu nauene od kreatora, ve su odlian pandan tim predefinisanim
kombinacijama promenljivih. Tako mrea stvara nove odgovore na zadatke iz sveta igre,
ne koristei samo one predefinisane.
Korienje neuronskih mrea na pravom mestu moe doneti inteligentnije
ponaanje agenata, uz uproavanje posla programerima vetake inteligencije, jer njena
implementacija moe zameniti mnogo linija kda, a da, pritom, daje bolje rezultate u samoj
- 34 -
Nikola Kneevi
igri. Ona interno radi na isti nain, reavajui razliite probleme, pa bi se, konceptualno
gledano, neuronske mree mogle posmatrati kao meusobno razliite.
Struktura neuronskih mrea moe biti razliite topologije za isti broj neurona.
Informacije se, zavisno od tipa mree, mogu kretati direktno od ulaza ka izlazu (feed
forward), ili u svim smerovima, pruajui povratne informacije o rezultatima (recurrent).
Vetake neuronske mree sastoje se od velikog broja relativno prostih vorova, a svaki od
njih ima isti algoritam. Ti vetaki neuroni povezani su u razliite ablone, zavisno od tipa
mree, odnosno njene topologije. Njihova arhitektura moe biti razliita, pa tako
razlikujemo i mree sa vie slojeva, a i one sa jednim slojem. Razliite su i njihove
konekcije, zavisno od tipa arhitektonskog reenja. Informacija kod neuronskih mrea kree
od ulaza u mreu, a nju daju programeri. Kod vieslojnih mrea neuroni skupljaju
informacije od prethodnog sloja i alju jednu izlaznu vrednost ka svim neuronima sledeeg
sloja. Na kraju bi na izlaznom sloju bila vrednost sa kojom se moe uraditi neto korisno.
Postoje i mree koje nemaju odreen ulazni ili izlazni deo, a u njima je svaka konekcija i
ulazna i izlazna.
Za sada se u igrama ne koristi univerzalna neuronska mrea, jer jo uvek ne postoje
resursi za njeno stvaranje. Vetaka inteligencija koja ui idejno bi mogla da postane
savreni igra, ili bi neke pojedinane aktivnosti bile efikasno obavljane. No, poznato je da
nije dobro da vetaka inteligencija bude savrena, ve ona mora i da grei.
Krenimo od greaka koje kreatori prave. Recimo da su u ponaanje agenata ubacili
nekoliko stotina ili hiljada primera loginih greaka, koje bi napravio i prosean igra.
Skupovi tih greaka, zatim, dobijaju i svoju verovatnou, odnosno anse da se dogode
agentu. Bezuslovni distributivni model moe da pomogne da se stvore varijacije u
potezima agenata, a on funkcionie tako to se sakupljaju uzorci promenljive koja se
posmatra i model pravi varijacije, a potom se iz originalnih varijacija mogu stvarati novi
sluajni uzorci [21].
Uslovni distributivni model veoma je zanimljiv nain da se imitira stvarno ljudsko
ponaanje. Greke koje prave igrai ili ljudi u stvarnom ivotu najee su plod mnogih
faktora, a ne samo sluajnih ansi. Ljudi esto prave greke zbog treme, pritiska,
prenaglaenih emocija, ili nekih drugih faktora, pa je vetaka inteligencija prinuena da i
ovo uzme u obzir ako eli da, u potpunosti, prikae realnu sliku ljudskog ponaanja [21].
Da bi sve realne faktore koji su bitni za varijacije uzeli u obzir, moemo koristiti
uslovni distributivni model. Igrai e pod pritiskom moda praviti greke, recimo ako ih
neko juri, iznenadi ili ako su pod paljbom... Drugaije je balansirati na velikoj visini nego
na zemlji dok se kreete, tako da ovakvi primeri mogu da budu oni koji utiu na greke i
varijacije u ponaanju ljudi, a cilj je da utiu i na agente.
Da bi eksterni faktori uticali na agente, moe se koristiti neuronska mrea, koja bi
manipulisala verovatnoama pojave nekih greaka, to bi doprinelo realnosti, ali i dubljoj
karakterizaciji agenata [21]. Prirodno je da su ljudi podloni uticaju eksternih faktora,
poput fudbalera koji su manje ili vie hladnokrvni kada izvode jedanaesterac u veoma
bitnoj utakmici. Ako dobro izbalansiramo verovatnoe i trening agenata pokae
zadovoljavajui nivo, doprineemo da oni jo vie lie na ljude, odnosno da ue i da im
ponaanja variraju u zavisnosti od okolnosti.
- 35 -
Nikola Kneevi
Rad neuronske mree moe da zakae, posebno ako nije rukovoen struno. Kada
igrai daju povratne informacije, dogaa se da unite mozak agenata, jer ne razumeju kako
neuronska mrea funkcionie. Da li je ovo realna odlika ljudi ili nije, teko je rei, ali ako
se esto dogaa sigurno nije dobro za video igru. Pri dizajniranju igre, poeljno je uzeti u
obzir ovu pojavu.
Vetaki neuroni su u svakom trenutku u nekom stanju, koje bi se moglo zamisliti
kao izlazna vrednost neurona predstavljena kao decimalni broj. Algoritam kontrolie na
koji e se nain stanje neurona generisati na bazi njegovih ulaznih vrednosti. U vieslojnoj
mrei stanje neurona prenosi se kao izlazna vrednost na sledei sloj. Kod mrea koje
nemaju odreene ulaze i izlaze, algoritam generie stanje koje se bazira na stanjima
povezanih neurona. Algoritam radi paralelno kod svih neurona, a u drugim sluajevima u
odgovarajuem redosledu. Ree je sluaj da neuroni imaju razliite algoritme.
Svaki ulaz ima asociranu teinu, koja se mnoi sa ulaznom vrednou. Suma se
puta kroz funkciju praga vrednosti, koja pretvara ulazne vrednosti u izlaznu vrednost. Ta
funkcija moe biti razliita, zavisno od vrednosnih parametara koje bi trebalo da obradi i
obuhvati. to se tie uenja, neuronske mree razlikuju se i u njegovoj implementaciji.
Kod nekih je uenje usko povezano sa neuronskim algoritmom, ali najee nije uopte.
Neuronska mrea mogla bi se koristiti bez implementacije uenja, a za jednu mreu feed
forward tipa to bi znailo da e jedna ulazna vrednost uvek dati istu izlaznu vrednost. Sa
implementacijom novih algoritama moemo implementirati i uenje. Feedback ili povratna
informacija veoma je bitna da bi se mogla proveriti ispravnost rada neuronske mree i da
bi se ona mogla trenirati. Ako bismo za odreene ulazne vrednosti dali oekivane izlazne
vrednosti, a zatim ih uporedili sa stvarnim izlaznim vrednostima, videli bismo koliko se
one razlikuju. To daje mogunost da se naknadno promene teine asocirane za ulazne
vrednosti, ili same ulazne vrednosti, kako bi se to vie pribliili oekivanom rezultatu
izlaza.
Ulazne vrednosti kod neuronskih mrea zapravo su podaci iz sveta igre, poput
koliine municije, udaljenosti, preostalog zdravlja i mnogih drugih parametara koje kreator
smatra relevantnim za budue akcije agenta. Skup ulaznih vrednosti odredie na kraju
akciju agenta, a mrea se trenira da bi proizvela logine akcije ili zanimljive akcije u
nelinearnim situacijama koje igra postavlja. Trenirana jednoslojna Hopfildova mrea
mogla bi da izvue izlaznu vrednost iz nepotpune grupe ulaznih vrednosti, na osnovu njene
sopstvene pretpostavke ta bi mogao biti potpuni ablon ulaznih parametara i eljena akcija
za taj ablon. Mrea se trenira tako to joj se nameu predefinisani abloni, a ona kasnije
moe da rekonstruie ablon iz nepotpune grupe ulaznih podataka. Mrea moe oscilirati
izmeu dva reenja povremeno, ali to moe biti korisno za vetaku inteligenciju koja
preispituje poteze igraa [4].
- 36 -
Nikola Kneevi
- 37 -
Nikola Kneevi
- 38 -
Nikola Kneevi
bitova i mogu biti tretirani kao brojevi. Oni mogu posluiti kao koeficijenti u jednainama,
asocirane teine sa tranzicijama stanja u mainama sa konanim stanjima ili neuronskim
mreama i kao indeksi u tabelama vrednosti. Ceo genotip moe biti hijerarhijski sistem ifthen pravila i tako funkcionisati kao stablo odluivanja. A-Life tehnike nalaze primenu
vetakoj evoluciji koristei sekvence bajt kdova kao gene, a genetsko programiranje
koristi izvorni kd kao genetski materijal, stvarajui mutacije u kdu bez uplita
programera. Takva praksa najee dovodi do potpuno besmislenih organizama, ali se uz
stvaranje velike populacije, znaajniji utroak vremena i poveanje korienja
kompjuterskih resursa moe doi do dobrih rezultata.
Reprodukcija ili razmnoavanje vetakih organizama funkcionie malo drugaije
od prirodne, jer koristi neke kompjuterske prednosti. Svaki vetaki organizam mora imati
meru svoje vrednosti, koja se primenjuje funkcijom evaluacije. Uspenost jednog
organizma moe se utvrditi i u okruenju igre u simuliranim uslovima. Reprodukcija se
moe vriti na razliitim osnovama, pa tako moe funkcionisati na matematikim
principima, koristei prosek cele populacije ili verovatnou reprodukcije. Vetaki
organizmi, meutim, mogu biti poslagani po uspenosti u tabeli, gde bi se najuspeniji
automatski najvie razmnoio. Osim to je raznovrsnost funkcija organizama razlog protiv
prostog kloniranja najuspenije jedinke, postoje i sluajevi gde organizmi slabije
sposobnosti kroz generacije daju sjajno potomstvo, mada ovo nije pravilo i nosi sa sobom
rizik da dobijemo neuspene vetake karaktere u igri. Diferencijacija organizama kasnije
se moe poveati zamenom genetskog materijala ili mutacijom, a ovi procesi se u
vetakoj varijanti mogu napraviti na vie naina, zavisno od potrebe.
Genetski algoritmi upotrebljivi su u reavanju nelinearnih optimizacionih problema,
koji su uslovljeni velikim brojem promenljivih i njihovih teko predvidivih interakcija. Oni
se koriste kada se problem ne moe reiti prostim analitikim tehnikama. Problem koji
reavamo mora biti nelinearan i za njega ne sme postojati jedna optimalna vrednost koja ga
reava, jer e ga onda bolje reiti drugi algoritmi. Naposletku, genetski algoritmi imaju
svrhu samo onda kada imamo veliki broj moguih reenja za neki problem i kada sva ta
reenja ne moemo isprobati u pristojnom roku bez njegove pomoi. Genetski algoritam
moe biti moan optimizacioni alat, a njegovo korienje moe doneti nove i neobine
strategije vetakoj inteligenciji, a samim tim i interesantnije izazove igraima [19].
Genetski algoritmi u osnovi imaju zadatak da nau reenje koje najbolje pristaje
nekom problemu. Genetsko programiranje jeste srodna tehnika, ali ima drugaiji pristup,
jer se reenje problema trai tako to se sam algoritam menja u skladu sa problemom. Obe
tehnike deo su A-life discipline, koja bi se mogla definisati kao vetaka inteligencija koja
je integrisana u prirodni ili ivotni sistem. Moe se rei da su A-life tehnike forma vetake
inteligencije koja imitira prirodne procese i pokuava da iskoristi ideje za reavanje
problema iz stvarnog ivota i prirode.
Genetika moe biti jako koristan deo vetake inteligencije neke igre, ali to ne znai
da ona sama ini itav inteligentni sistem. Ona se efikasno moe koristiti i sa drugim
tehnikama i njen fokus treba da bude na problemima koje moe efikasno da rei,
kombinujui parametre i ponaanja, kako bi iznikli bolji rezultati. Da bi se zaista mogla
imitirati priroda u nekoj igri, njeni procesi moraju da funkcioniu po zadatim pravilima, ali
i po numerikoj verovatnoi da se neto dogodi. Kako bi se postigao utisak realnosti, ne
moe se svaki dogaaj ili detalj prepustiti sluaju, iako je primamljivo imati iznenaujue
dogaaje. U realnosti postoje logika ogranienja, pa se tako nee esto dogaati da vas
- 39 -
Nikola Kneevi
priroda i okruenje iznenade kada izaete na ulicu, ali se i to moe, manje verovatno,
dogoditi. Dakle, da bi se prirodni procesi dobro implementirali u igru, sistem mora imati
predefinisana pravila bazirana na verovatnoi nekog dogaaja u prirodi i stvarnom ivotu.
Evolutivni procesi u igrama mogu trajati krae ili due, od jedne sesije ili partije u
igri, pa sve do sistema dizajniranih da ponaanja evoluiraju nekoliko meseci igranja ili ak
godina, kao u igrama SimCity i Black&White. Uenje postaje jednostavnije kada algoritmi
mogu da adaptiraju svoja ponaanja. Povremeno se moe dogoditi da se pojavi loije
ponaanje, koje ne odgovara zacrtanim ciljevima, a ono se mora odstraniti, pri emu pri
ruci mogu da se nau pomoni algoritmi vetake inteligencije.
Poput neuronskih mrea i genetski algoritmi mogu biti od pomoi pri
implementaciji uporeivanja ablona. Nova populacija, nastala genetskom kombinacijom,
imae boljih i loih reenja, koja su adaptirana roditeljska reenja. Ako selektujemo
razliita reenja za razliita ponaanja, moemo postii slino ponaanje onom koje smo
napravili sa neuronskom mreom. Selekciju i evaluaciju, kao i deo rezultata genetskih
algoritama, vre prostije tehnike vetake inteligencije.
Korienje skripte koja stvara prilagodljivo ponaanje runo se moe koristiti u
simbiozi sa vetakom genetikom. Na tu skriptu moemo dodati genetske algoritme, sa
ciljem da menjaju sekvence ili presek nekog dogaaja. Vetaka genetika za kreatore jeste
nain da dobiju adaptabilni sistem koji bi imao veliki broj moguih ponaanja, od kojih se
izabrana kasnije nalaze u finalnom proizvodu. ak i tokom igranja moe se ostaviti
mogunost da genetski algoritmi funkcioniu, proizvodei nova kompleksna ponaanja, a
genetskim programiranjem moe da se manipulie ansama za pojavu devijacija u
ponaanjima, zadravajui njihov osnovni ablon i smisao.
Bilo da se koriste genetsko programiranje ili genetski algoritmi, mera njihove
uspenosti su fitnes funkcije uporeene sa perfektnim reenjima, ako takva postoje.
Ponekad se moe dogoditi da su sva reenja koja se odgajaju kroz generacije vetakom
genetikom dobra, odnosno da nijedno ponaanje ne treba da se izbaci. To se dogaa kada
je domen problema dovoljno uzak i restriktivan [3].
U vetakoj genetici se, za potrebu igara, rekombinacija i mutacija mogu koristiti
imitiranjem biolokih procesa.
Rekombinacija genetskog kda uzima deo od jednog i deo od drugog roditelja,
kada se kreira genetski kd potomka. Nekada je odnos uzetog materijala jednak, nekada su
odnosi potpuno razliiti, a to zavisi od problema koji se reava i od genetskog materijala
roditelja. Prirodna selekcija u igrama manifestuje se tako to igrai unitavaju agente
vetake inteligencije, a ona obelei ponaanja koja su kriva za neuspeh kao nepoeljna.
Ako je agent pokazao dobro ponaanje, ono je spremno za proces rekombinacije i daje se
novim agentima, ili se aplicira na postojee. Tako agenti ue od igraa, koristei vetaku
genetiku na bazi poznatih prirodnih procesa.
Meutim, kada bi praksa bila da se od igraa ui na grekama koje se ispoljavaju
tokom igre i da se zatim te greke poprave, dolo bi se do savrenih agenata koji bi
pobeivali igrae, a to nije cilj vetake inteligencije u igrama. Cilj je da se uvedu
zanimljiva ponaanja ili devijacije u postojeim ponaanjima koje bi bile interesantne
igrau. Trebalo bi uvek imati na umu da igra mora da pobedi, ako uloi dovoljno truda i
- 40 -
Nikola Kneevi
Grupa tehnika koje koriste iskustvo kao osnovu uenja naziva se reinforcement
uenje. U osnovi je algoritam koji ima tri komponente: strategiju istraivanja, kojom se
probaju nove akcije u toku igre, funkciju pojaavanja, koja daje povratnu informaciju o
uspenosti svake akcije i pravilo uenja, koje spaja prve dve komponente. Implementacija i
optimizacija svakog elementa zavisi od aplikacije. U novije vreme reinforcement uenje
smatra se potencijalno kljunom komponentom vetake inteligencije za budue igre.
Cilj obuavanja sa pojaavanjem je da agenti vremenom biraju bolje akcije u toku
igre. Za same kreatore vetake inteligencije nije uvek jednostavno da procene ta bi bile
dobre akcije, jer to moe zavisiti od sluajno generisanog okruenja u igri, date situacije i
od samog igraa i njegovih sposobnosti i akcija. Agenti bi trebalo sami da se snalaze u
odnosu na postavljene uslove i da ustanove koja je najbolja akcija u datoj situaciji.
Obuavanje sa pojaavanjem inspirisano je i ivotinjama. Psihologija njihovog
ponaanja podlee uticaju sistema grdnje ili nagrade. Ponaanje ivotinja i njihov karakter
oblikuje se kaznama ili nagradama, pa se moe rei da je potkrepljeno od strane uitelja.
Tako se i agentima u igri moe davati podstrek ili ukor, u zavisnosti od toga da li su
izabrali akciju koja je odgovarajua. Problem koji se mora imati u vidu je eventualno
neslaganje agenta i njegovog trenera ili uitelja oko lekcije za koju je agent dobio povratnu
informaciju. Agent moe biti pod stimulacijom pogrene akcije, potpuno nevezane za onu
koju je uitelj posmatrao kada je dao povratnu informaciju agentu, pa je kontrola ovih
sluajeva veoma vana, da agenti ne bi nauili pogrene lekcije.
- 41 -
Nikola Kneevi
- 42 -
Nikola Kneevi
- 43 -
Nikola Kneevi
- 44 -
Nikola Kneevi
- 45 -
Nikola Kneevi
Meutim, potencijal ovih karaktera mnogo je vei. Oni bi mogli pokazivati i neka
nepredvidiva ponaanja, a mogli bi imati i sopstvene osobine, koje bi se ispoljile u
interakciji sa igraem. U nekim igrama njihovo ponaanje i njihova konverzacija menjaju
se zavisno od toga ta igra uradi, to je mahom predefinisano, ali daje privid inteligencije.
Navala igraa na mnogo igara koje se igraju preko interneta nije samo odraz elje
igraa da igraju sa ljudima u smislu akcije, ve pre svega u smislu meusobne
komunikacije. Ali, kada bi vetaka inteligencija mogla da uradi neto nepredvidivo, a opet
razumno, i kada bi mogla da komunicira sa igraem, igre namenjene jednom igrau dobile
bi mnogo vee mogunosti. Dakle, treba osposobiti neutralne karaktere da komuniciraju sa
igraem. to se tie njihovog ponaanja, potrebno je balansirati sa iznenaenjima. Igra
mora biti iznenaen mogunostima vetake inteligencije, ak i ako ona nije inteligentna
poput ljudi, ve se samo kao takva prikazuje igrau.
Ranije tekst jeste bio osnova svake igre, jer su vizuelne mogunosti tadanjih
personalnih raunara bile veoma ograniene [16]. Napredak na polju vetake inteligencije
komunikacije naglo je stao kada je grafika izbila u prvi plan, pa su novi anrovi zavladali
industrijom. Meutim, ini se da i na polju grafike nema vie ta da se uradi, jer su igre
skoro dostigle nivo foto-realistinosti, pa e to vratiti u prvi plan vetaku inteligenciju, a i
interakciju sa kompjuterskim agentima. U toj sferi napredak je mogu, verovatno i
potreban, a sa napretkom igre mogu da dobiju potpuno novu dimenziju. Igrai bi mogli da
provode sate uivajui u konverzaciji sa neutralnim karakterima.
U dananje vreme postoje tehnike koje omoguavaju agentima da ue jezik. Neki
algoritmi ak nemaju ni jezika ogranienja, pa tako svako moe nauiti agenta da pria sa
njim na maternjem jeziku. Agent ui direktno od igraa, a iz svake igraeve reenice on
uzima kljunu re i bazira svoj odgovor na njoj i prethodnom iskustvu. Za reenicu koju
sastavlja agent postoje neka pravila bazirana na verovatnoi i predikciji elemenata
sekvence, u naem sluaju slova [16]. Odgovori agenata mogu zvuati pomalo apsurdno,
ekscentrino, moda potpuno nesuvislo, ali i logino. U svakom sluaju zabavno.
Da bi se agenti u igri mogli uklopiti u situaciju, njihova konverzacija mora imati
smisla, makar kada je re o onome to im je igra ili neki drugi karakter u svetu igre rekao,
o okruenju i dogaajima koji prethode konverzaciji ili se deavaju istovremeno, o
zahtevima prie u igri i stanju agenta, u smislu njegovih potreba i raspoloenja.
- 46 -
Nikola Kneevi
koji e ljudima pruiti zabavni izazov, a ne samo biti bolji od njih. Da bi vetaka
inteligencija mogla da zna koliko je dobro nauila, mora se implementirati jedna od fitnes
funkcija. One bi trebalo da ocenjuju rezultate uenja i da pruaju povratnu informaciju
vetakoj inteligenciji.
Iako se u akademskim krugovima neke tehnike veoma uspeno koriste, kreatori
igara nisu uvek dovoljno struni za njihovo implementiranje. esto bi pomo akademskog
strunjaka dobro dola. Veterani industrije igara su, gotovo po pravilu, vei skeptici kada
su tehnike uenja u pitanju. Prednosti koje donose ove tehnike esto su nedovoljne, kada se
uzme u obzir vreme koje je potrebno za njihovu pravilnu implementaciju. Kompjuterski
resursi sve su manji problem, ali postoje jo uvek odreena ogranienja, posebno kod
igrakih konzola ili nekih manjih platformi. injenica je da se uenje mnogo vie dovodi u
vezu sa pomonim alatima za dizajn igre, nego kao osnova vetake inteligencije.
Teak poduhvat je balansiranje izmeu zabave i izazova kod tehnika uenja. Nije
lako ni modifikovanje, testiranje i otklanjanje greaka, posebno kod neuronskih mrea.
Naravno, ni same igre nisu uvek pogodne za uenje, jer u mnogim igrama karakteri
vetake inteligencije brzo nestaju, mnogo pre nego to bi ita mogli da naue ili da se
adaptiraju. Kontekst igre moe da odredi da li je uenje uopte potrebno. Implementiranje
tehnika uenja kod vetake inteligencije ne ide samostalno u igrama, ve ono mora biti
deo sloenijeg inteligentnog sistema, da bi dalo rezultate i dodalo na kvalitetu igre i samih
karaktera.
Uenje u igrama se, i pored objektivnih prednosti koje bi donelo, esto izbegava.
Kreatori koji imaju budet i tehnologiju za implementaciju uenja ne odluuju se esto za
to, jer rezultati nisu sigurni i predvidivi, to sa sobom nosi rizik za kreatore. Neuronske
mree i genetski algoritmi nisu do sada pokazali naroitu efikasnost u igrama.
Reavanje problema vezanih za funkcionisanje vetake inteligencije koja ui
postie se testiranjem. esto je testiranje igre neto to razvojni timovi ostavljaju za kraj,
ali bi moda bolji pristup bio testiranje koje se vri uporedo sa razvojem igre od najranijih
igrivih stanja. Tako neto poeljno je raditi i sa vetakom inteligencijom koja ui.
Ozbiljnim testiranjem kda, dizajna i ponaanja agenata mogu se otkloniti mnoge greke i
nedostaci.
Sloboda u uenju moe dovesti i do zanimljivih rezultata, osim onih koji kvare
igru. Nekada agenti mogu nauiti neto to je zanimljivo, posebno ako igra ima ulogu
uitelja. Moda neka ponaanja nisu bila u planu kreatora igre, ali su za neke igrae vid
lagane zabave. Pa ipak, nije loe ni ograniavanje vetake inteligencije dok ui. Moda bi
neka uroena ponaanja kod agenata spreila gubitak igrivosti. Agent bi davao prednost
osnovnim ponaanjima, ako se ona kose sa svee nauenim. Ta predefinisana ponaanja
moraju biti u slubi odbrane igrivosti i niega vie, ako elimo potpuno slobodan sistem
uenja agenata iz koga proizilaze zanimljive akcije i ponaanja.
- 47 -
Nikola Kneevi
5.6 Testiranje
Pravilno testiranje igre, a posebno one koja ima uenje u okviru svoje vetake
inteligencije, veoma je vano za uspeh konanog proizvoda. Testiranje bi trebalo da bude
prisutno od samog poetka razvijanja jedne igre, a ono se nastavlja do njenog izbacivanja
na trite, pa ak i nakon toga. U testiranje je poeljno ukljuiti i same igrae, koji bi
svojim idejama, sugestijama ili observacijama pomogli dizajn igre.
Klju testiranja vetake inteligencije koja ui je u observaciji ponaanja. Zadatak
ljudi koji testiraju igru je da ustanove da li su ponaanja koja vide u toku igre ona koja se
oekuju, i ima li pojave zanimljivih ili neeljenih ponaanja. Kada se problem ustanovi,
programeri ili dizajneri odgovorni su za ispravljanje propusta u ponaanju agenata.
Da bi se obavilo dobro testiranje, potrebni su alati koji bi omoguavali testerima da
manipuliu stanjima u igri. Tako oni mogu probati razne situacije ili menjati atribute
agenata. No, ako agenti ue, teko je vratiti ih na istorijske pozicije zbog neke greke.
Zbog toga je svaki progres stanja igre i vetake inteligencije koja ui poeljno snimiti [6].
5.6.1 Povratne informacije
- 48 -
Nikola Kneevi
- 49 -
Nikola Kneevi
Mainsko uenje ima promenljiv uspeh primene u video igrama. Potencijal uenja
mnogo je vei nego to dosadanji rezultati pokazuju. Agenti vetake inteligencije koji
ue, adaptiraju se, predviaju ili komuniciraju sa igraima bili bi zabavniji, pruali bi vei
izazov igraima i pribliili bi se ljudima u izboru akcija i ponaanja. Ipak, vreme koje je
potrebno za pravilnu implementaciju uenja i kompleksnost tehnika koje se pritom koriste,
odvraaju kreatore vetake inteligencije kojima su funkcionalni sistemi prioritet. Oni e
se, radije, okrenuti prostijim tehnikama vetake inteligencije, nego eksperimentisanju sa
mainskim uenjem, mada su tehnike poput neuronskih mrea i vetake genetike
popularne.
Kompanije koje prave igre svesne su sve breg naina ivota, zbog ega ne pridaju
previe panju malom procentu ljudi kojima ozbiljni i kompleksni sistemi, poput
mainskog uenja, obogauju iskustvo. Ovakvi trendovi e se nastaviti, ali uenje bi moglo
biti nain da se ljudi privuku, jer nije ve vien koncept zabave.
Uticaj na budunost mainskog uenja u igrama imae nova dostignua u
akademskim krugovima, ali i nove ideje za primenu u igrama. Mnoge poznate tehnike nisu
ni blizu ispunjavanja svog potencijala u igrama, a ostaje da se vidi kada e doi do
ekspanzije njihovog eksploatisanja. Neminovno je da vizuelni kvalitet igre izgubi na
znaaju, a da vetaka inteligencija, ukljuujui i onu koja ui, dobije na popularnosti.
- 50 -
Nikola Kneevi
- 51 -
Nikola Kneevi
na ovakvu pojavu kada je vide. Ovakav sistem proizvodi itav novi anr igara, koje se
baziraju na unjanju i skrivanju, a popularne igre koje koriste ovu tehniku se veoma brzo
pojavljuju. Takve su Thief: The Dark Project (Looking Glass Studios, 1998.) ili Metal
Gear Solid (Konami, 1998.), kao i mnoge druge. Taktika vetaka inteligencija je posebno
hvaljena kod igara Half-life (Valve, 1998.) i Unreal Tournament [26].
Nekako je logino da se krajem devedesetih neki odluuju da potpuno baziraju igre
na vetakoj inteligenciji, a prvi izdanak takvog pristupa je igra Creatures (CyberLife,
1996.), pa zatim igre The Sims (Maxis, 2000.) i Black and White (Lionhead, 2001.). Igra
Creatures poseduje jedan od najkompleksnijih sistema vetake inteligencije, jer svako
bie ima neuronsku mreu kao bazu inteligentnog sistema. Meutim, ova bia nisu ba
pokazivala neku preteranu inteligenciju. Black and White je veoma dobro prola kod
kritike i opte je prihvaena kao veoma dobar naslov, u kome je igra u ulozi Boga, a
njegova bia imaju mogunost da ue i da se razvijaju pod igraevim uticajem. Vetaka
inteligencija ove igre se smatra moda i najpriznatijom do sada po kvalitetu [26] [4].The
Sims vai za jedan od komercijalno najuspenijih serijala igara, a uspeno popularizuje Alife vetaku inteligenciju, koja simulira pravi ivot i daje naglasak na linosti agenata
[26].
Vremenom se razvila velika raznovrsnost u pogledu vetake inteligencije kada su
igre u pitanju. Mnoge koriste i danas sistem koji koristi Pac-Man, jer je on dovoljno dobar
da zadovolji potrebe te igre. Ipak, neke postaju interesantne ak i u akademskim
krugovima. Velika panja se poklanja pucainama iz prvog lica (FPS). Igra Full Spectrum
Warrior (Pandemic, 2004.) je toliko realna vojna simulacija, da je za nju ak i prava vojska
nala primenu (mada je marketing sigurno deo ove prie, pretpostavka je da se, ipak, radilo
na veoma vernoj ratnoj simulaciji) [4].
Sportske simulacije i simulacije vonje su veoma napredne u pogledu vetake
inteligencije, ali imaju jo prostora za napredak. Tako je i sa RPG (role playing game)
anrom, gde je interakcija izmeu karaktera na visokom nivou, ali njihova konverzacija se
svodi na stabla predefinisanih odgovora, i tu se moe traiti prostor za napredak
(komunikacija meu agentima, ali i sa igraevim karakterom) [4].
Napredak je ipak vidljiv sve vie, jer kako vreme prolazi kompjuteri i igrake
konzole postaju sve jae maine. esto bi grafiki render uzimao toliko resursa na
raunaru, a posebno na konzolama, da bi ostalo premalo prostora za vetaku inteligenciju.
Napredak je zavisio od raspoloivih resursa, jer ako bismo eleli da reimo problem
patfajndinga u nekoj igri, konzumacija raunarskih resursa bi bila previe zahtevna za
tadanje maine, to je mnogo oteavalo bri napredak. Igre vremenom postaju sve
ozbiljnije, jer ih rade velike kompanije sa velikim timovima ljudi, a nekada je celu igru
pravio jedan ovek. Vetaka inteligencija je zbog toga sporo napredovala, dok se uslovi
za bri napredak nisu stvorili u vidu raunarskih resursa, veeg baznog znanja, vee
vremenske tolerancije za isprobavanje tehnika, veih timova i budeta.
- 52 -
Nikola Kneevi
- 53 -
Nikola Kneevi
Postoje razni algoritmi koji se bave igrama na tabli. Minimaxing algoritam rauna
najbolji potez ocenjujui i svoj i suparnikov. On rauna da e protivnik izabrati najbolji
odgovor na njegov potez, pa ocenjuje koliko bi u takvom sluaju najvie dobio birajui
jedan od moguih poteza. Ime dolazi od vrednovanja poteza. Algoritam gleda da potez
bude to maksimalnije vrednosti, a cilj suparnika je da se on svede na to minimalniju
vrednost. Minimizacija se rauna za bilo koji broj suparnika koji su u igri, a maksimizacija
za sopstvene poteze. Ovaj algoritam pokazuje probleme sa performansama kada je stablo
poteza iroko i duboko. Negamaxing algoritam je neto prostiji, jer on u obzir uzima samo
gledite igraa na potezu i ne stavlja se u ulogu suparnika. On se moe koristiti u igrama
gde su dva igraa i gde je pobeda jednog jednaka porazu drugog. Kada su performanse u
pitanju, vae isti problemi kao kod minimaxing algoritma, ali se negamaks bre izvrava,
jer rauna samo maksimalnu vrednost za igraa na potezu. Vea brzina izvravanja i opti
kvalitet igre se moe postii i srezavanjem neloginih poteza, koji prelaze granice
vednosti kod minimiziranja i maksimiziranja, a to radi Alpha-Beta pruning. Algoritam se
moe ubrzati i pomou poznatog reda poteza, koji je za date situacije ve ustanovljen kao
najbolji. Srezavanje skoro svih grana stabla igre je odlika jednog od najpopularnijih
algoritama ove vrste, negascout algoritma. Ovaj algoritam prvo testira prvi potez sa
pozicije na tabli da vidi kakav e rezultat da dobije. Ako ne uspe, onda se vraa na
negamaxing, a ako uspe, jasno je da je bre uradio posao. Dodatna ubrzanja algoritmi
postiu koristei memoriju i transpozicione tabele. Dok ljudski igra razmilja, kompjuter
moe da trai svoj sledei najbolji potez, a tako se, naravno, igra moe dodatno ubrzati.
Algoritmi koji koriste test vrednosti poteza koji se ine najboljim, poput MT i MTD
algoritma, oslanjaju se na memoriju i na mogunost da preskau sa grane na granu stabla
onako kako ele, odnosno preskau one grane za koje su male anse da imaju vrednost koja
je odgovarajua onoj koju bi posle dueg vremena naao minimaxing algoritam [4].
Igre poput aha najee koriste baze znanja eksperata. Sekvence poteza kojima se
najbolje otvara partija aha su poznate. Kompjuter e igrati bez korienja algoritma poput
minimaxinga, sve dok na kraju ne vidi povoljan rezultat. To esto moe da se otegne na
vie desetina poteza. Interesantno je da neki kompjuterski igrai ocenjuju koliko je dobra
sekvenca poteza koja je uneta spolja od strane eksperata, daju joj vrednost, pa je porede sa
drugim sekvencama, birajui kasnije one bolje sekvence. To se moe nazvati uenjem.
U poteznim strategijama i nekim inovativnim igrama na tabli, sekvence poteza se
moraju runo uneti, jer ne postoje ve poznate ekspertske sekvence. Sekvence poteza se
mogu primeniti i kasnije u igrama poput aha ili mice, kada na tabli nema vie mnogo
figura. Postoje za ove igre i baze znanja, koje se odnose na situacije na samom kraju
partije. To sve smanjuje korienje algoritma pretraivanja stabla, pa samim tim ubrzava
igru. Za uenje u igrama na tabli moe biti zaduena i neuronska mrea, koja bi
pokuajima i grekama dola do konstantno nereenog rezultata u iks oksu, ako bi igrala
sama protiv sebe neko vreme. To se upravo slae sa injenicom da ovu igru zapravo ne bi
trebalo igrati, jer uz veoma malo vebe, pobednika nee nikada biti. U nekim igrama se
stvari odvijaju u vie faza, kao to je igra potapanje brodova. Maina sa konanim stanjima
moe regulisati koje stanje se trenutno odvija u igri. Genetski algoritmi i programiranje
mogu biti zadueni za poteze kompjutera u ovoj igri.
ah se nikada ne zaboravlja kada je u pitanju vetaka inteligencija u igrama.
Superkompjuter Deep blue je pobedio 1997. godine Garija Kasparova u ahu, tada
svetskog ampiona. Deep blue je imao razne tehnike pretraivanja i mnogo procesora sa
centralnim sistemom koji je sve kontrolisao. ipovi kompjutera su mogli pretraiti vie od
- 54 -
Nikola Kneevi
dva miliona ahovskih pozicija u sekundi, a bilo je preko etiri stotine ovih ipova.
Kompjuter je imao veoma kompleksnu funkciju evaluacije poteza. I on se koristio
negascout-om, a koristio je i transpozicione tabele, paralelnu pretragu i mnoge tehnike koje
su ustanovili ahovski programi pre njega. Deep blue je mogao da predvidi dvanaest poteza
unapred [3].
Za potezne strategije nije uvek podesno koristiti algoritme za igre na tabli. Previe
moguih poteza je u igri. U nekim sluajevima se potezi mogu organizovati u skupove, pa
se minimaxing algoritam moe koristiti, ali u veini sluajeva stablo bi bilo toliko veliko
da nijedan kompjuter ne bi bio dovoljno blizu da realizuje zahteve pretrage. Zbog toga
dobar deo poteznih strategija koristi algoritme vetake inteligencije strategija u realnom
vremenu, jer se algoritmi prilagoeni realnom vremenu mogu uspeno primeniti i u
poteznim igrama. ak su neki algoritmi prvobitno bili namenjeni poteznim strategijama.
Naravno, potezne strategije ne zahtevaju toliko kompleksne algoritme kretanja, pa su
kinematiki algoritam kretanja, ili direktno pojavljivanje na novoj poziciji sasvim dovoljni
[4].
Najvei problem vetake inteligencije poteznih strategija je vremenski jaz izmeu
igraa i vetake inteligencije. Igrai imaju neogranieno vreme za razmiljanje i ne vole
previe da ekaju svoj red. Zbog toga vetaka inteligencija mora da donese dobre odluke
u veoma kratkom periodu. Tako bi, na primer, stablo odluivanja moralo biti napravljeno
tako da se brzo pretrauje. Odluivanje je najbolje reiti posebnim algoritmima za svaku
stavku koju je potrebno obraditi u jednom krugu. To znai da posebni algoritmi reavaju
menadment resursa, treniranje trupa ili taktiko planiranje [4].
U nekim igrama vetaka inteligencija priskae u pomo igrau koji, u elji da
izbegne odluivanje vezano za neke stavke u igri, preputa vetakoj inteligenciji da se
njima bavi. Vetaka inteligencija e to uraditi isto kao kod protivnikih snaga, ali sa
manom u vidu nedostatka taktikog planiranja, jer je taktika poznata jedino igrau, dok
protivnici imaju vetaku inteligenciju vieg nivoa koja planira i taktizira, pa se isti zadaci
obavljaju u skladu sa taktikom [4].
- 55 -
Nikola Kneevi
- 56 -
Nikola Kneevi
Ova vrsta igara je ranije bila veoma popularna, i neki veoma uspeni naslovi su se
pojavili tokom vremena, poput Super Mario serijala igara. Ove igre su najvie odgovorne
za prvobitnu ekspanziju igrakih konzola. Najee su arkadnog tipa (nisu simulacije
realne fizike i realnih pojava uopte) i namenjene su najee mlaoj populaciji.
Kako su kod ovakvih igara brzina i refleksi najei zahtev od igraa, tako i
vetaka inteligencija ima svoje specifine zadatke. Kompjuterski kontrolisani karakteri e
imati svoje tipine osobine, koje igrai treba da prepoznaju i da ih koriste da bi preli igru.
- 57 -
Nikola Kneevi
Svaki agent na koga igra nalee ima svoje eme kretanja i poteza. One su mahom takve da
imaju neki nedostatak, koji igra treba da uoi i da ga u brzini iskoristi [4].
Najee se agenti kreu po nekoj svojoj zoni kontrolisani algoritmima za 2D
kretanje, a oni koji lete koriste i one za 3D (ako je igra generalno trodimenzionalna,
kretanje e takoe biti pod uticajem ovih algoritama). Patfajnding tehnika nije previe
eksploatisana u ovim igrama, zbog male potrebe za inteligentnim kretanjem po okruenju,
jer se agenti najee kreu po malom prostoru. to se ponaanja tie, ona su definisana
stanjima. Ta stanja se mogu grubo podeliti na ona pre primeivanja igraa i posle toga.
Neka standardna ponaanja su pasivne radnje ili patroliranje, a kada igra doe u vidokrug
agenta, stanje se menja u agresivno. Neki pametniji protivnici e znati da napuste svoju
zonu i daju se u poteru za igraem, hvatajui se u kotac sa platformskim preprekama, ali
ni to nije est sluaj. Neki specifini karakteri mogu imati neka inovativna stanja u borbi sa
igraem. Moda e neki pozvati saborce u pomo, ali sve u svemu, modelovanje ponaanja
nije kompleksno kao kod nekih drugih anrova.
Posebno popularne igre, pre svega na konzolama, su igre koje simuliraju borilake
vetine ili druge tipove borbe. Vetaka inteligencija u ovakvim igrama ima zadatak da
prui to jai otpor igrau, ali na takav nain da bude donekle predvidiv i da moe da bude
pobeen.
U nekim igrama postoje samo delovi u kojima igra ima priliku da se tue. Takve
igre ne zahtevaju previe ozbiljan uplit vetake inteligencije. Zavisno od zahteva prie ili
dogaaja vezanih za tu tuu, vrhovna vetaka inteligencija igre daje zadatak koji bi
hijerarhijski nia vetaka inteligencija trebalo da uradi kada je tua u pitanju. Generalno
se u igrama, gde tua nije primarna ili toliko esta pojava, koriste sistemi bazirani na
pravilima sa nekoliko sluajno izabranih sekvenci poteza, koji su najee dovoljni za
koliinu zabave koja se igrau prua kroz povremenu tuu.
Tema uenja je nekako uvek bitna kada je vetaka inteligencija u pitanju, pa tako i
kod tua implementiranje uenja moe dovesti do sveukupnog boljitka za igru. Ipak, kod
igara gde je tua rea pojava i gde dijapazon poteza i mogunosti nije previe veliki,
uenje nije zgodno reenje. Igra je onaj od koga bi vetaka inteligencija trebalo da ui
poteze. On za to nema vremena niti neke svrhe u pomenutim varijantama gde tua nije
primarna, ali u igrama koje se zanivaju na tui u potpunosti, stvari se menjaju. Kako su
starije igre ovog anra uvek imale problem trajnosti zbog sposobnosti igraa da otkriju
mane u igri borca koga kontrolie vetaka inteligencija, pojavila se potreba za vetakom
inteligencijom koja se adaptira na stil oveka sa kojim se bori. Igrai e uvek koristiti jedan
udarac ili sekvencu udaraca ako vetaka inteligencija ne zna da odgovori, a takva igra
brzo dosadi. Dakle, zadatak vetake inteligencije je da dokui neke poteze igraa koji se
stalno ponavljaju i da nae odgovor na njih. Osim toga, vetaka inteligencija bi moda
mogla da razvije strategiju ili da taktiki planira. Neki pametniji bokser moda ima taktiku
da se pravi nevet, pa da u munjevitom napadu nokautira protivnika. Ipak, sve to zavisi od
protivnika, a to je igra, zbog ega se adaptacija vetake inteligencije na njegovu igru
moe smatrati uslovom izazovnosti i zanimljivosti ovakvih igara na due staze.
- 58 -
Nikola Kneevi
Simulacije sportova su veoma irok dijapazon igara koje imaju poznate principe
igranja. Svakako je prednost injenica da za sportove postoje eksperti i analize koje mogu
da pomognu pri stvaranju simulacije. Dve bitne stavke u sportskim simulacijama su fizika i
strategija ili taktika. I, dok je u simulaciji bilijara ili golfa, fizika presudan faktor za
funkcionisanje igre, dotle u veini igara sa loptom koordinacija kretanja tima ili
individualnog karaktera ima istu teinu kao i sama fizika.
Za kreatore ovakvih igara nalazimo da je najvei izazov pruiti igraima oseaj da
igraju protiv ivog protivnika. Vetaka inteligencija se sastoji najee iz vie slojeva.
Posebni slojevi se u timskim sportovima bave strategijom, koordinacijom i individualnim
potezima sportista. Slino kao i kod tua, sportskim igrama dobro doe adaptacija i uenje,
makar i na prostijem nivou, radi pruanja izazova boljim igraima. Vetaka inteligencija u
timskim igrama mora da koristi koordinaciju kretanja i postavljanje u formacije.
Predvianje je jo jedan nain da se proceni koja odluka bi bila poeljna za karaktere sa
vetakom inteligencijom. Na osnovu fizike projektila, koja se koristi i u pucainama,
vetaka inteligencija moe da proceni da li treba presei loptu, skoiti i uhvatiti je, ili
odbraniti ut [4].
Rekli smo da vetaka inteligencija ima pomo ekspertskog znanja u sportskim
simulacijama. U svakoj ozbiljnoj simulaciji, timske akcije koje koriste pravi sportski
timovi, koristi i vetaka inteligencija. Dakle, kada se obezbedi koordinacija i formacijsko
kretanje, tada se mogu uvesti abloni akcija iz udbenika. U samom centru procesa
- 59 -
Nikola Kneevi
U igrama ovog anra moemo razlikovati akcionu i poteznu varijantu igre. Akciona
varijanta igre se moe opisati kao igra u kojoj igra vodi svog avatara, vodi borbu sa
velikim brojem protivnika, unapreuje svoje sposobnosti, menja stanje sveta igre svojim
postupcima, vri interakciju sa neutralnim karakterima (Non-Player Character (NPC)) i
reava zadatke koje mu oni daju. Ovo se sve dogaa u realnom vremenu sa dinaminom
okolinom i karakterima. Sline stvari se dogaaju i u drugoj varijanti, gde je borbena
mehanika poteznog karaktera, iako se igra odvija u realnom vremenu. Za poteznu varijantu
je mnogo bitnije poznavanje pravila igre, koja podseaju na pravila igara na tabli, nego brzi
refleksi, koji su odlika akcionog RPG-a.
Prvi problem gotovo svakog RPG-a, od onih sa mnogo agenata vetake
inteligencije koji napadaju igraa, mnogo neutralnih bia, poput ivotinja i NPC karaktera
koji se nalaze u svetu igre, do onih koji se igraju na internetu sa mnogo ljudskih igraa
pored gorenavedenih karaktera, su performanse. Masivne igre za vie igraa preko
interneta reavaju taj problem korienjem jakih servera koji hostuju igre, a time reavaju
probleme koji su nastajali dok su se igre hostovale na lokalnim mainama igraa. Meutim,
problemi sa performansama se reavaju i na programerski nain. S obzirom na to da bi
svaki agent, posebno u igrama ovog tipa, koristio algoritme kretanja, dolo bi do velikih
zaguenja u RAM memoriji, da nije mogunosti da se izvri optimizacija. Jedan od dobrih
naina je smanjivanje funkcije vetake inteligencije kontrolisanih karaktera koji nisu blizu
igraa. Umesto da funkcionie algoritam kretanja, za te karaktere je predvieno da
funkcioniu sa vikom dodeljene memorije, dok su igraev karakter i karakteri koji se
nalaze blizu igraa u potpunoj radnoj fazi, kada je vetaka inteligencija u pitanju. Takoe,
ne moraju se uvek koristiti za memoriju konzumirajui algoritmi kretanja, poput A*, ve se
i sa prostijim algoritmima moe napraviti pristojan patfajnding [8].
U RPG igrama, a to se posebno odnosi na akcionu varijantu, protivnici ne ive
dovoljno dugo da bi imalo smisla da se uvede nekakvo uenje. Osim toga, u ovakvim
igrama je predvien herojski oseaj za igraa, pa se protivnici sa namerom zaglupljuju, ali
se poveava njihov broj. Usporavanje reakcija od samo pola sekunde, daje veliku prednost
igrau. Ipak, postoje i neke interesantne pojave u ponaanjima protivnika. Ukoliko u
druini igraa imamo strelca i borca prsa u prsa, protivnici e znati da pojure i strelca,
kome je namera da bude na odstojanju, a ne samo borca prsa u prsa, koji je po pravilu tenk
i moe da prima udarce dok strelac lagano ne eliminie agente vetake inteligencije.
U nekim igrama postoje i odluke igraa koje utiu na svet igre. Shodno nekim
akcijama igraa, neki karakteri e se postaviti na razliite naine. Moda e vie voleti ili
mrzeti igraa, a moda e odbiti da mu prodaju robu, ili e mu dati popust. Dakle, igra
ima reputaciju, a sa njom se javljaju i emocije prema igraevom avataru. Svaki protivnik
igraa moe biti dizajniran drugaije. Vetaka inteligencija se bavi njihovim kretanjem,
ali i odreenom dozom taktinosti. Vrlo je bitna uloga kompjuterski kontrolisanih
saveznika igraa, koji moraju da prate igraa u stopu, da ne budu na smetnji, da izlee
- 60 -
Nikola Kneevi
igraa ako mu je zdravlje ispod odreenog nivoa, itd. Ukoliko se oni zaglavljuju, gube ili
ne pruaju podrku kakva je potrebna, predstavljaju samo teret igraima.
Veliki deo svake igre koja pripada RPG anru su neutralni karakteri. Sa njima igra
esto moe da ue u konverzaciju, ili da obavlja trgovinu i slino. Osim emocija koje
pokazuju prema igraevom karakteru, oni mogu imati i interesantan konverzacijski sistem,
koji bi vas makar na trenutak mogao prevariti da pomislite da je re o ljudima koji igraju
igru sa vama. esto se ovakvi sistemi koriste u tekstualnim avanturama. U mnogim
igrama, konverzacije okidaju razne druge dogaaje. NPC moe postati aktivan lan druine
igraa ili njen ljuti protivnik. Tehnike koje se mogu koristiti su vrlo razliite, od maina sa
konanim stanjima, preko razuena logike, a u neto manjoj meri neuronske mree i
algoritmi uenja. NPC esto moe biti deo skriptovanih dogaaja.
U mnogim igrama se koristi zamena ljudskih igraa kompjuterski kontrolisanim
igraima. Njihova inteligencija moe biti kontrolisana razuenim mainama sa konanim
stanjima ili neuronskim mreama, koje na osnovu situacije biraju logine sekvence poteza.
Takav sluaj je kod igara koje zahtevaju veu populaciju u svetu igre. Masivne internet
igre za vie igraa esto imaju karaktere koji nisu ljudi, ali su tu da popune svet igre.
Naravno, to due igrai misle da igraju sa drugim ljudima, to je agent bolje uraen [4].
Ako bi mu dozvolili da ui i da se sam prilagoava novim situacijama, dozvoliemo i
pojavu novih ponaanja. Ovo daje ivotniju sliku karakterima, ali je rizik malo vei da se
njihovo ponaanje pokae kao udno ili nelogino. Kontrolisanija varijanta e pokazati
kompjuterski karakter, ali nee praviti probleme.
NPC ne mora biti obavezan deo RPG-a, ali ni RPG nije jedini anr koji ima ovakve
karaktere. Oni se pojavljuju kao podrka ili zamena za igrae i u drugim igrama. Naravno,
ni igre se ne mogu uvek uspeno anrovski podeliti, jer su veoma esti hibridi izmeu
anrova, pa je NPC normalna pojava u modernim pucainama ili trkakim simulacijama, a
nezaobilazan je deo sportskih simulacija.
Akcione igre mogu biti veoma razliito koncipirane, ali se najee misli na
pucaine iz prvog, ili treeg lica. Iako se igre esto ne zasnivaju na pucanju, postoji
ogromna grupa igara koje koriste sline principe igrivosti, pa tako i vetaku inteligenciju
[4].
Balansirana vetaka inteligencija je najvanija stavka inteligencije kod akcionih
igara. Protivnici ne smeju biti nepobedivi ili frustrirajue teki, ali jo je gore ako su
iritantni ili komini. Bitan aspekt je i kooperacija, koja bi u sluaju loe implementacije
bila teret igrau, iji tim se ne ponaa onako kako bi trebalo. Zadaci koje bi vetaka
inteligencija trebalo da ispuni su raznovrsni, a da bi ih ispunila potrebno je da dobija
informacije iz sveta igre, kao to su lokacije igraa i drugih karaktera, stanje zdravlja i
municije, tip oruja kojim je agent opremljen i strateki plan.
U veini sluajeva imamo reenje da se protivnici lociraju preko granine linije
vidokruga u stilu radara [3]. Ponaanja u akcionim borbenim igrama mogu da pokau
temperament i status karaktera. Ako karakter nema municije, nee se ponaati kao da je
- 61 -
Nikola Kneevi
ima. Razliit moe da bude i stil igre, jer e neki karakteri biti agresivni, a neki koristiti
unjanje ili zaklone. Ponaanja se generalno kontroliu mainama sa konanim stanjima ili
razuenom logikom. Dobra vetaka inteligencija e svoje kratkorone ciljeve praviti na
osnovu trenutnog statusa parametara igre. Za pronalaenje puta se esto koristiti A*
algoritam, a razuenom logikom se dolazi do najboljih reenja [3]. Postoji i varijanta sa
ponaanjima baziranim na pravilima sa odreenom adaptivnom mogunou. Rekli smo da
se lokacija igraa moe direktno odrediti preko radar sistema, gde igra izvlai informaciju i
dalje je prezentuje agentu vetake inteligencije. Meutim, mnogo realnija opcija je da
vetaka inteligencija ne moe da odreaguje na pojavu igraa sve dok ga ne vidi ili ne uje.
Stoga bi algoritmi opservacije i predvianja bili mnogo realnije reenje od gorepomenutog,
koje je ipak u neku ruku varanje igraa, jer on nema iste mogunosti. Sa druge strane, radar
bi kao deo opreme agenta vetake inteligencije bio zanimljiviji.
Sve bi trebalo da se uzme u obzir kada je status agenta u pitanju. Oruja se moraju
menjati, puniti, a agent bi mogao da izbegava, prati ili trai zaklon, zavisno od svog
statusa, ali i igraevih trenutnih parametara. Sve to bi trebalo da bude dosta zavisno od
igraevog znanja. Ako je igra relativno slab, onda bi bile poeljne greke kod nastupanja
vetake inteligencije, smanjena preciznost i malo neloginiji izbor oruja. Sa druge strane,
ako je igra ba dobar, moda ga treba i varati, da bi mu se pruio izazov.
Patfajnding je, naravno, presudna stvar kada je kretanje u pitanju, meutim i
tehnika jaenja se uspeno moe primenjivati kod formacijskog kretanja agenata. Novije
kreacije u akcionim igrama podrazumevaju i taktike sisteme sa vie karaktera u grupi.
Dakle, kako nije zabranjeno koristiti tehnike koje su uobliili drugi anrovi, u pucainama
emo viati pojave iz strategija. Kretanje u formacijama i saradnja izmeu karaktera su
postale uzdanice vetake inteligencije u akcionim igrama. Postoje i statistike tehnike
koje ocenjuju uspeh karaktera u igri. Najloija varijanta se moe izbaciti iz igre, ili se da
primeniti na lakim nivoima teine. Da bi se postigla nepredvidivost i pojava novih
ponaanja, koriste se i genetski algoritmi. Najee se menjaju neki parametri poput brzine
kretanja ili reakcije, a glavni algoritmi (skripte) ostaju isti. Tako se postie promena
ponaanja bez posledica po performanse. Potrebno je tano odrediti promenljive parametre,
ukombinovati ih sa nepromenljivim srcem algoritma i tako dati mogunost promene u
genetskom algoritmu.
Kreatori vetake inteligencije se u zavisnosti od dizajna igre mogu odluiti za dve
grubo podeljene varijante protivnika u igri. Manji broj karaktera sa veoma slinim
karakteristikama koje ima i igraev karakter je jedna mogunost. Ovakvi karakteri
kontrolisani vetakom inteligencijom se nazivaju botovi. Druga varijanta je veliki broj
mnogo manje delikatnih protivnika, ili prosto karaktera koji nemaju osobine igraa. Stvari
koje bi trebalo da znaju karakteri su upravljanje i eventualno pronalaenje puta, kontrola
pucanja, donoenje odluka, percepcija i taktiko planiranje[4]. Patfajnding agenata se moe
posmatrati kao kombinacija izbegavanja prepreka, pronalaenje puteva u kompleksnijim
okruenjima i praenje drugih karaktera. Agentima je vano i donoenje odluka u toku
borbe, poput uzimanja oruja, biranja mete i oruja, izbegavanja projektila i slinih
situacija u toku igre. Poto je borba sr svake akcione igre, jasno je da bi loe donoenje
odluka agenata igrai lako primetili. Karakteri bi trebalo da imaju i cilj prema kome e se
ponaati, a koji je na vrhu lestvice vetake inteligencije i od koga zavisi sve to karakter
radi. Ponaanje agenata esto direktno zavisi od ciljeva koji su podeljeni prema vanosti i
trenutnim okolnostima u svetu igre. Akcije koje karakteri vre se u novijim ostvarenjima
kombinuju i sekvenciraju da bi se dolo do krajnjeg cilja.
- 62 -
Nikola Kneevi
- 63 -
Nikola Kneevi
- 64 -
Nikola Kneevi
Pucaine su, kada su igre u pitanju, reper za trenutno stanje tehnologija koje se
koriste. Osim grafikih i zvunih elemenata, koji su uvek na najviem nivou, ove igre su i
u pogledu fizike, dizajna i drugih elemenata igre vrh igrake industrije i najvie tee
realistinosti. Tako je i sa vetakom inteligencijom, koja sa pojavom visokobudetnih
naslova dobija priliku za implementaciju novih reenja.
anr strategija u realnom vremenu se moe svrstati negde izmeu igara na tabli i
simulacija. On ne sadri elemente borbe kakve imamo u akcionim i borbenim igrama.
Fokus ovog anra je u promenljivom svetu igre, sa planiranjem, strategijom i kartografijom
kao osnovnim elementima igre u tom svetu [3].
Okruenje igre koja je ovakvog tipa daje kretanju i upravljanju dimenziju
otvorenog prostora, i samim tim se algoritmi koji pretrauju prostor ovde obilato mogu
koristiti. Nekako je ovaj anr, to se tie vetake inteligencije, hibrid svih ostalih.
Vetaka inteligencija mora da obezbedi kretanje jedinica na zemlji i u vazduhu, peke ili
vozilima, a sve to po razliitim terenima. Svaka jedinica opet ima svoj status i svoje
individualne karakteristike, od kojih e zavisiti njeni ciljevi i ponaanje. A tu su i neka
pravila po kojima se partije odvijaju, tako da u celu priu ulazi i logika, slina onoj po
kojoj funkcioniu igre na tabli.
Dozu akcije u igrama ovog tipa daje brzina kojom se one odvijaju, jer se sve deava
u realnom vremenu, gde je razmiljanje mnogo bre od poteznih varijanti, a ak i refleksi
dobro dou ako elimo da budemo dobri igrai. Kada se svi zahtevi vetake inteligencije
u navedenim elementima ispune, moe se razmiljati i o stratekim, taktikim i elementima
planiranja. Posebno bitne su informacije iz sveta igre. Moda najvie podataka treba
obraditi da bi se mogla sprovesti akcija ba u ovom anru igara. to je svet slobodniji i
naseljeniji, to se vie podataka obrauje. Smanjivanjem opcija i postavljanjem ogranienja
smanjuju se zahtevi za obradom.
Akcije u stratekim igrama esto zavise od promena stanja, pa se koriste maine sa
konanim stanjima i mree akcija. Strateki gledano, igra sa vetakom inteligencijom
moe da naui od oveka ili drugog igraa razne taktike i strategije, i to uz pomo
statistikih analiza ili neuronskih mrea. Vetaka inteligencija prvo ui poteze, a zatim ih
predvia. Vetaka inteligencija koja koristi uenje, moe da trenira svoju igru i da znanje
prenosi na nove treninge i partije. Da bi se vetaka inteligencija suprotstavila igrau,
potrebno je da zna da odgovori na njegovu strategiju, a s obzirom na to da njeni kreatori
nisu sposobni da predvide sve okolnosti, za uspenu vetaku inteligenciju potrebno je da
zna da se adaptira ili ui, to je dobar razlog za korienje neuronskih mrea ili alfa beta
pruning algoritma. esto se dogaa da se vetaka inteligencija ipak bazira na ekspert
sistemima sa predefinisanim strategijama i mainama sa konanim stanjima, to nije toliko
sjajno sa aspekta inteligencije, ali sa aspekta potrebe nekih igara moe dobro da poslui.
Zavisno od stratekih mogunosti vetake inteligencije kojima se prua izazov
igraima, ona moe da koristi fer simulaciju inteligencije igraa, ili da vara. Ako vara, to
mora biti neprimetno i sa ciljem da se prui izazov dobrom igrau, a ako ne vara, bitno je
da je taktiki dovoljno mona da se suprotstavi oveku. Nivoi teine su tu da bi se pruila
- 65 -
Nikola Kneevi
- 66 -
Nikola Kneevi
- 67 -
Nikola Kneevi
Kako bi karakteri brzo uili, oni posmatraju druga bia kroz njihov kontekst. Igra
moe nagraditi ili grditi svog ljubimca za akciju koju je izveo. To dovodi do problema koje
igra ne bi oekivao. Stvar je u tome to je karakter izveo seriju akcija za koje ga igra
hvali ili grdi, pa nesmotreno igra moe da naui karaktera da ne jede uopte, zbog ega bi
ovaj umro od gladi. Ovaj problem se zaobilazi uvoenjem predefinisanih ponaanja koja
karakteri imaju, a koja bi se mogla predstaviti kao instinkti. Tako e se ree dogaati da
karakter legne da spava, iako ga igra nije tome nauio, a ako ga je nauio, on e to i ee
raditi. Ponekad se jednostavno u igrama dogodi da karakter nita pametno vie ne moe da
uradi, a razlog su igrai. Prosean igra ne zna kako vetaka inteligencija funkcionie,
zbog ega nenamerno pravi kobne greke u uenju agenata.
- 68 -
Nikola Kneevi
Zavisno od pristupa pravljenju vetake inteligencije, modela moe biti mnogo. Oni
zavise od programera, ali i od konteksta, odnosno od ideje same igre. Moe se rei da
moderne igre zahtevaju tri osnovne funkcionalnosti, a to su kretanje, odluivanje i
strategija. Prve dve zahtevaju algoritme koji rade na svakom karakteru zasebno, a strategija
zahteva one koji rade na grupi ili celom timu agenata vetake inteligencije. Oko ova tri
elementa se dalje granaju svi ostali elementi vetake inteligencije. Jasno je da nekim
igrama ne trebaju sve tri funkcionalnosti vetake inteligencije. Igre na tabli, kao to su ah
ili riziko, baziraju se na strategiji i nisu im potrebni algoritmi kretanja ili odluivanja. Sa
druge strane, platformske igre poput Oddworld: Abes Oddysee (Oddworld Inhabitants,
1997.) ne zahtevaju koordinaciju izmeu karaktera, oni prosto reaguju na pojavu igraevog
karaktera u vidnom polju, donosei individualne i proste odluke [4].
Kretanje u nekoj igri predstavlja izvravanje odluke nekom vrstom pomeranja
karaktera, za koje je odgovoran algoritam. Ovde razlikujemo proste od kompleksnih
modela. Karakteri u igri Super Mario Sunshine (Nintendo, 2002.), koji ne koriste vatrena
oruja, napadaju igraa tako to idu direktno ka njemu, i kada mu priu, prelaze u napad.
Kada se odluka materijalizuje kroz skup algoritama kretanja napadom, puta se animacija i
uzima se zdravlje igraevom karakteru. Kompleksnije kretanje se javlja u igrama, gde je
ideja da karakteri izbegavaju prepreke u okruenju i pronalaze put kroz nekoliko prostorija,
odnosno gde je potrebna kompleksnija navigacija. Tako u igri Splinter Cell (Ubisoft
Montreal, 2002.) uvar reaguje na pojavu igraa oglaavanjem alarma, ali dugme za alarm
se nalazi nekoliko soba dalje od njegove lokacije, pa uvar ide kompleksnim putem do
odredita [4].
Mnoge akcije u toku igre se mogu obaviti korienjem animacije na direktan nain.
Sim u igri The Sims moe da ogladni, a njegova vetaka inteligencija donosi odluku da on
ode da jede, posle ega se puta animacija. Vetaka inteligencija ovog Sima je zavrila
svoj posao time to je donela odluku da on jede, ali ako se Sim ne nalazi blizu stola,
primera radi, onda vetaka inteligencija kretanja mora da ga sprovede do odredita.
Osim kretanja, vaan element vetake inteligencije je i donoenje odluka.
Vetaka inteligencija nekog agenta u igri ima zadatak da odlui ta taj agent treba sledee
da uradi. Svaki agent bi trebalo da ima odreen izbor ponaanja, koje moe da pokae
zavisno od situacije. Kada se donese odluka o ponaanju, ponovo nastupa vetaka
inteligencija kretanja i puta se odgovarajua animacija. Ponaanja mogu biti raznog tipa,
od onih prostih, kao u igrama Zelda serijala, gde ivotinje na farmi na pojavu igraevog
karaktera reaguju izmicanjem iz mirnog stava, do onih kompleksnijih, kao u igri Half-Life
2 (Valve, 2004.), gde protivnici deluju kao pravi taktiari, pokuavajui da se priblie
igrau udruenim bacanjem granata i konstantnim menjanjem svojih pozicija. Naravno,
kompleksnost ponaanja je odreena i potrebom da takvo ponaanje postoji, pa i nije udno
da Half-Life 2 kao pucaina i akciona igra ima kompleksnu bazu ponaanja agenata, koja
doprinosi izazovu, realistinosti i optem utisku igraa. Postoje, naravno, i one igre koje ne
- 69 -
Nikola Kneevi
zahtevaju kretanje posle donoenja odluke. Naveli smo primer Sima koji se hrani, ali
primera ima jo. Interesantno je da postoje igre koje ak ni animacijom ne prikazuju efekte
donesene odluke. Takva je potezna strategija Sid Meiers Civilization III (Firaxis Games,
2001.). Kada vetaka inteligencija drave u ovoj igri odlui da istrai nove tehnologije,
stanje se samo aurira, bez kretanja ili animacije [4].
Grupa karaktera u igri moe imati i koordinisanu grupnu vetaku inteligenciju. To
je element strategije, koji se uvek odnosi na vie entiteta. Istina, oni obino imaju
sopstvene algoritme odluivanja i kretanja, ali se odluke donose i na nivou itave grupe i
njene strategije. U prvom delu igre Half-Life (Valve, 1998.) kompjuterski kontrolisani
protivnici sve ine da opkole igraa, ime mu znatno oteavaju poziciju za njihovo
eliminisanje. Ovakve strateke mogunosti postaju standard i sve su efikasnije i
interesantnije uraene [4].
Da bi vetaka inteligencija kretanja, odluivanja ili strategije uopte funkcionisala,
nije dovoljno samo implementiranje algoritma. Jasno je da ono to igra vidi na ekranu
jeste animacija ili fizika simulacija, koja mora da postoji da bi funkcionisalo kretanje.
Odluivanje, sa druge strane, mora da bude posledica nekog stanja u igri, to znai da su
entitetima vetake inteligencije potrebne informacije iz okruenja kako bi uopte donosili
bilo kakvu odluku. Ovo ne podrazumeva samo ono to entiteti vide ili uju, ve itav
interfejs izmeu sveta igre i vetake inteligencije. Upravo je interfejs najvei deo posla za
kreatora vetake inteligencije. Sistemi su ogranieni snagom kompjutera koji pokree
igru. Kao to u igrama postoje algoritmi koji kontroliu i menjaju nivo detalja u toku igre,
da bi igraevo iskustvo bilo neometano, tako postoji i optimizacija kod vetake
inteligencije, ijom pravilnom upotrebom se moe poveati broj tehnika koje se mogu
iskoristiti i opta glomaznost sistema [4].
Ovakav model ima samostalne karaktere koji uzimaju informacije iz igre i odluuju
koju e akciju preduzeti. Ovakve karaktere nazivamo agentima vetake inteligencije.
Agent se samostalno kree i odluuje, to znai da njegovu vetaku inteligenciju ine ova
dva elementa, a strategija se, kao to smo ranije pomenuli, odnosi na grupu agenata.
Ponaanje koje agent pokazuje u toku igre jeste skup svih individualnih ponaanja koja su
njegove ranije kreirane sposobnosti. Ako vetaka inteligencija nije bazirana na agentima
sa svojim individualnim kretanjem i odluivanjem, onda je sistem inteligencije obrnute
funkcionalnosti. Tako je sa igrom Grand Theft Auto 3 (DMA Design, 2001.), gde jedan
sistem simulira ceo grad. Zavisno od doba dana u igri, raunica sistema se pretvara u
saobraaj u datom delu grada u trenutku kada igra treba da se pojavi. Dakle, ima vie
prilaza modeliranju vetake inteligencije, koji e biti upotrebljeni u zavisnosti od
konteksta igre i samih kreatora [4].
- 70 -
Nikola Kneevi
- 71 -
Nikola Kneevi
- 72 -
Nikola Kneevi
tehnolokog aspekta kreatori nemaju skoro nikakva ogranienja. Danas je dizajn igre bitniji
za oblikovanje vetake inteligencije od dostupnih tehnologija, pa moemo rei da
vetaka inteligencija predstavlja implementirani dizajn [12]. Primetni su pokuaji da
svetovi igre postanu to je mogue nelinearniji, jer dizajn nivoa i terena za igranje direktno
utie na kvalitet i kompleksnost vetake inteligencije, pa i same igre.
Originalnost je uvek prisutan problem u video igrama, ali u poslednje vreme je
postao i kljuan. Primetno je da kreatori insistiraju na zabavnijoj vetakoj inteligenciji.
Takva vetaka inteligencija pravi zanimljive situacije u toku igranja, koje se istiu. U
akcionim igrama, gde agenti nemaju vremena da ispolje previe inteligentnog ponaanja,
kreatori pokuavaju da se fokusiraju na njihovo vreme postojanja u igri, da bi bilo to
bogatije ukraeno. Prvo pojavljivanje agenata na ekranu posebno se dizajnira da bude
zanimljivije od uetavanja u vidokrug igraa. Agent ispoljava jednu do dve specifine
vetine, koje treba da doprinesu raznovrsnosti agenata i da nateraju igraa da promeni stil
igranja adaptirajui se na agentov. Na kraju se i sama eliminacija agenta od strane igraa
moe posebno dizajnirati da bude zanimljiva. U igrama gde agenti imaju vie vremena da
pokau inteligentno ponaanje, bitno je gde ga oni pokazuju i koliko je uticaj kompleksnog
ponaanja vaan za datu situaciju u igri. Za inteligentan sistem pohvalno je da igra vidi da
se agent nadmudruje sa njim.
Dizajneri i programeri vetake inteligencije odgovorni su za to koliko je ona dobro
uraena. Postoji tendencija da se njihove odgovornosti spoje pod jednom titulom. esto je
vetaka inteligencija rtva loeg dizajna, jer postoji mnogo neuspenih igara sa
kompleksnom i dobro uraenom vetakom inteligencijom. Dizajn igara diktiraju i igrai,
pa su nastavci igara vrlo esta pojava, to ograniava mogunosti inteligentnih sistema da
budu originalni. Mnoge igre dizajnirane su da budu proste, pa se tako umanjuje znaaj
vetake inteligencije, iako postoje varijante prostih igara sa kompleksnom vetakom
inteligencijom.
U pogledu poslovanja postoji nekoliko naina da se iskoriste dobri inteligentni
sistemi. Prvo istiemo marketing koji je uvek prisutan, ali je vetaka inteligencija sve
monije oruje kompanija za isticanje originalnosti njihovih igara. Neke kompanije bave se
pravljenjem naprednih motora (endina) za igre. Kada naprave igru koja koristi motor,
pokazuju u njoj sav potencijal svojih inteligentnih sistema. Da bi se druge kompanije
mogle kasnije posluiti ovim sistemima kada prave svoje igre, plaaju licencu koja e im
to omoguiti. Postoje i besplatni sistemi koji se mogu koristiti dokle god igra ne izae na
triste (open source). Middleware softveri delo su kompanija koje ne prave igre, ali prodaju
svoje inteligentne sisteme i pomone alate onim kompanijama koje ele da naprave igru sa
naprednim alatima, ali nemaju mogunost da ih naprave. Ovi modeli poslovanja trpe
gubitke zbog najezde igara za vie igraa preko interneta. Osim toga, kompanije koje prave
igre najee se poslue znanjima drugih, a potom izmene kdove i prave sopstvenu
verziju inteligentnog sistema, ne plaajui nita.
- 73 -
Nikola Kneevi
9. Zakljuak
Analizirajui primenu vetake inteligencije u video igrama, dolazimo do zakljuka da
je ona donekle ograniena mogunostima dananje igrake tehnologije, ali je jo vie
limitirana dizajnerskim reenjima u pravljenju igara. Inteligentni sistemi jedne igre u
potpunosti zavise od konteksta te igre. Zato su zadaci vetake inteligencije pravljene za
igre mnogo drugaiji od zadataka akademske vetake inteligencije. Uprkos tome, od
akademskih krugova se pozajmljuju mnoga reenja. Inspiracija za reavanje problema
moe se nai u drugim naukama, ali i u prirodi.
Osim par izuzetaka, u moru igara koje su do sada napravljene ima samo privida
inteligencije. Kreatori se radije odluuju za funkcionalna, ali prosta reenja, dok bez preke
potrebe nee koristiti napredne tehnike i kompleksne strukture. Primetno je da se sistemi
bazirani na pravilima mnogo vie koriste nego komplikovane strukture, poput mainskog
uenja. Razloge treba traiti u vrlo diskutabilnom uspehu prethodnih implemetacija
kompleksnijih tehnika, ali i u kontekstu igara, koji esto odreuje da potrebe za
inteligentnim ponaanjem nema previe. Za veinu igara, funkcionionalni pristup je ak i
bolji. Postoje igre koje su dizajnirane sa vetakom inteligencijom u fokusu, pa su njihovi
sistemi kompleksni i napredni. Takve igre su u manjini, ali neke od njih su imale puno
uspeha kod igraa, to nam daje za pravo da kaemo da je budunost igara baziranih na
vetakoj inteligenciji sigurno svetla.
Igre se meusobno razlikuju, to postavlja problem klasifikacije vetake inteligencije.
Igre se grubo dele na anrove, pa emo prema njima deliti i vetaku inteligenciju. Ona
evoluira od anra do anra veoma razliito, dok u jednom anru evoluira gotovo
zajedniki, odnosno reava sline probleme na prethodno dokazane naine. U budunosti
e vetaka inteligencija u raznim anrovima nastaviti razvoj, ali pravi potencijal je u
stvaranju igara sa naprednijom inteligencijom.
Funkcionalnost vetake inteligencije je najbitnija, pa se kreatori esto
zadovoljavaju neprimetnim inteligentnim sistemom. Za sada se kompleksne tehnike koriste
kao marginalni dodaci koji ukraavaju tehniki prostu vetaku inteligenciju u osnovi, jer
se tako interesantna ponaanja dobijaju bez rizika od kolapsa igrivosti. Uenje, adaptiranje
i druge zanimljive pojave u inteligentnom ponaanju moraju se oprezno implementirati uz
mnogo vremena za testiranje, dobar plan i bez vremenskih ili nekih drugih pritisaka na
kreatore. Zakljuujemo da je uenje poeljno kao dodatak vetakoj inteligenciji u manjem
i kontrolisanijem obimu, a da ansu treba dati i uenju kao perjanici vetake inteligencije
u jednoj igri, iji dizajn u tom sluaju treba da bude podreen uenju, a ne obrnuto.
Specifinost inteligentnih sistema u igrama je uslovljena ciljevima. Za razliku od
drugih grana vetake inteligencije, u igrama nije cilj biti inteligentniji od oveka, ve
pruiti izazov igraima to je due mogue. Igrai mogu biti i dobri i loi, pa je zadatak
vetake inteligencije da bude prilagodljiva. To je ini posebnom, a poto je u slubi
zabave i zanimljivom. Ipak, zahvaljujui njenim ciljevima, vetaka inteligencija u igrama
nije napredna kao akademska.
- 74 -
Nikola Kneevi
[1]
AI game programming wisdom. Ed. Steve Rabin. Charles River Media, 2002.
[2]
[3]
[4]
Millington, Ian and John Funge. Artificial intelligence for games, second edition.
Elsevier Inc., 2009.
[5]
[6]
[7]
[8]
[9]
[10] Champandard, Alex J. The dark art of neural networks. AI game programming
wisdom. Ed. Steve Rabin. Charles River Media, 2002. 640-651.
[11] Champandard, Alex J. Behavior capture and learning sports games by example
with artificial contender. AiGameDev.com, July 31, 2009. Web. 5 Nov. 2011.
[12] Champandard, Alex J. Trends and highlights in game AI for 2011.
AiGameDev.com, February 9, 2012. Web. 26 Maj 2012.
[13] Champandard, Alex J. Planning in games: an overview and lessons learned.
AiGameDev.com, March 8, 2013. Web. 10 April 2013.
[14] Evans, Richard. Varieties of learning. AI game programming wisdom. Ed.
Steve Rabin. Charles River Media, 2002. 567-578.
[15] Harmon, Vernon. An economic approach to goal-directed reasoning in an RTS.
AI game programming wisdom. Ed. Steve Rabin. Charles River Media, 2002.
402-410.
[16] Hutchens, Jason and Jonty Barnes. Practical natural language learning. AI game
programming wisdom. Ed. Steve Rabin. Charles River Media, 2002. 602-614.
[17] Kirby, Neil. Solving the right problem. AI game programming wisdom. Ed.
Steve Rabin. Charles River Media, 2002. 21-28.
- 75 -
Nikola Kneevi
[18] Larame, Franois Dominic. Using N-gram statistical models to predict player
behavior. AI game programming wisdom. Ed. Steve Rabin. Charles River
Media, 2002. 596-601.
[19] Larame, Franois Dominic. Genetic algorithms: evolving the perfect troll. AI
game programming wisdom. Ed. Steve Rabin. Charles River Media, 2002. 629639.
[20] Manslow, John. Learning and adaptation. AI game programming wisdom. Ed.
Steve Rabin. Charles River Media, 2002. 557-566.
[21] Manslow, John. Imitating random variations in behavior using a neural
network. AI game programming wisdom. Ed. Steve Rabin. Charles River Media,
2002. 624-628.
[22] Mommersteeg, Fri. Pattern recognition with sequential prediction. AI game
programming wisdom. Ed. Steve Rabin. Charles River Media, 2002. 586-595.
[23] Scott, Bob. The illusion of intelligence. AI game programming wisdom. Ed.
Steve Rabin. Charles River Media, 2002. 16-20.
[24] Scott, Bob. Architecting an RTS AI. AI game programming wisdom. Ed. Steve
Rabin. Charles River Media, 2002. 397-401.
[25] Scutt, Tom. Simple swarms as an alternative to flocking. AI game
programming wisdom. Ed. Steve Rabin. Charles River Media, 2002. 202-208.
[26] Tozour, Paul. The evolution of game AI. AI game programming wisdom. Ed.
Steve Rabin. Charles River Media, 2002. 3-15
[27] Tozour, Paul. First-person shooter AI architecture. AI game programming
wisdom. Ed. Steve Rabin. Charles River Media, 2002. 387-396.
[28] Tozour, Paul. The basics of ranged weapon combat. AI game programming
wisdom. Ed. Steve Rabin. Charles River Media, 2002. 411-418.
- 76 -