MR Analiza SpecifiÄ Nosti VeÅ¡taÄ Ke Inteligencije U Video Igrama

UNIVERZITET SINGIDUNUM
BEOGRAD
DEPARTMAN POSLEDIPLOMSKIH STUDIJA
Analiza specifinosti vetake

inteligencije u video igrama
- Master rad -
Mentor:
Student:
Prof. dr Milan Milosavljevi
Nikola Kneevi 410535/2010
Beograd, 2013. godine
UNIVERZITET SINGIDUNUM
DEPARTMAN POSLEDIPLOMSKIH STUDIJA
MASTER RAD
MASTER STUDIJSKI PROGRAM:

Savremene informacione tehnologije
Tema:
Analiza specifinosti vetake inteligencije u video igrama
Mentor:
Student:
Prof. dr Milan Milosavljevi
Nikola Kneevi 410535/2010
Beograd, 2013. godine
Saetak: Profitabilnost i zabavni karakter industrije igara navode nas da

razmiljamo o nainu na koji se igre prave. Jedan od elemenata gotovo svake igre je
vetaka inteligencija. Ispituje se njeno stanje, zavisnost od drugih nauka i posebni
problemi koje ona mora da rei da bi ispunila svoje ciljeve. Istraujui pisane izvore na
temu vetake inteligencije i diskusije njenih kreatora, dolazimo do nekoliko vanih
zakljuaka o inteligentnim sistemima u igrama. Usled razlike u problemima koje vetaka
inteligencija u igrama reava, njena teorija je posebna u odnosu na druge grane vetake
inteligencije. Svrha joj je da obezbedi funkcionalnost igri i da daje privid inteligencije.
Proste tehnike se mnogo vie koriste od komplikovanih i zanimljivijih. Dizajn igre u
potpunosti uslovljava kompleksnost vetake inteligencije. Napredak e biti odreen
tehnologijama budunosti i stepenom slobode kreatora da budu kreativni u stvaranju
sistema. Igre koje su do sada koristile naprednije tehnike vetake inteligencije imaju
promenljiv uspeh, to znai da oblast nije definisana do kraja i postoji prostor za razvoj.
Kljune rei: vetaka inteligencija, video igre
Analysis of the specificities of artificial intelligence in video games
Abstract: Profitability and entertaining aspect of video game industry lead us to

think of the ways they are made. One of the elements present in most games is the artificial
intelligence. This work examines its state, dependence on other sciences and separate
problems it has to solve to fulfill its goals. Analysing the written sources on the topic of AI
and discussion of its creators, several important conclusions can be drawn about intelligent
systems in games. Due to the variety of problems the AI solves in games, its theory is
special when compared to other branches of AI. Its purpose is to enable and ensure the
functionality of the game and give the semblance of intelligence. Simple technics are used
more commonly than the more complicated and interesting. The game design completely
relies on the complexity of the AI. The advancement will be marked by the technologies of
the future and the degree of freedom of creators to be creative in making the systems.
Games that have so far used more advanced technics of AI have inconsistent success,
implying that the area hasnt been completely defined and that development is still
ongoing.
Key words: artificial intelligence, video games
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
Metodi pretraivanja, sistemi planiranja i sistemi zakazivanja (search
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
4.9.1 Jaenje (flocking)......................................................................................... - 20 -
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
7. anrovska podela video igara i specifinosti vetake inteligencije u razliitim

anrovima ...................................................................................................................... - 53 7.1 Video igre na tabli i potezne strategije .................................................... - 53 7.2 Simulacije vonje i trkake simulacije .................................................... - 55 7.3 Platformske i avanturistike video igre ................................................... - 57 7.4 Simulacije tue......................................................................................... - 58 7.5 Sportske simulacije .................................................................................. - 59 7.6 Rol plejing video igre (RPG) ................................................................... - 60 7.7 Pucaine i akcione video igre .................................................................. - 61 7.8 Strategije u realnom vremenu .................................................................. - 65 7.9 Menaderske simulacije........................................................................... - 67 7.10 Video igre bazirane na vetakoj inteligenciji ....................................... - 67 8. Dizajniranje i kreiranje sistema vetake inteligencije ............................... - 69 8.1 Modeliranje inteligentnog sistema ........................................................... - 69 8.2 Implementacija sistema ........................................................................... - 70 8.3 Kreiranje sistema ..................................................................................... - 71 8.4 Stanje vetake inteligencije u video igrama poslednjih godina ............. - 72 9.
Zakljuak........................................................................................................ - 74 -
10. Lista referenci ................................................................................................ - 75 -
-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
2. Metodologija istraivakog projekta
2.1 Uvodne napomene i obrazloenje rada
Industrija igara je veoma profitabilna industrija sa velikim finansijskim obrtom.

Osim toga, igre jesu zabava, pa je uvek zanimljivo razmiljati o tome kako bismo sami
napravili igru i kakva bi ona bila. Vetaka inteligencija je jedan od osnovnih elemenata
skoro svake igre. Ovaj rad predstavlja analizu i uobliavanje teoretskih diskusija o
inteligentnim sistemima u igrama do dananjih dana.
2.2 Predmet istraivanja
U ovom radu istraujemo opte stanje vetake inteligencije u igrama, od toga ta je

ona danas, do toga ta bi mogla biti. Posmatranjem njenog razvoja kroz kratku istoriju
dobijamo odgovore na probleme koji su reavani, traimo razloge zato neki nisu reeni.
Ispitujemo posebnost vetake inteligencije u igrama u odnosu na druge grane vetake
inteligencije i razloge za njeno sporije napredovanje. Objanjavamo njenu arenolikost i
ogroman jaz u kompleksnosti od igre do igre, prihvatajui anrovsku podelu igara kao
najpogodniju. Istraujemo dalje tehnike i koncepte vetake inteligencije i primenjivost u
igrama, traei razloge za slabije korienje kompleksijih tehnika.
2.3 Ciljevi i zadaci istraivanja
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
2.4 Istraivake hipoteze
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:
Vetaka inteligencija u igrama se moe posmatrati kao posebna nauna disciplina,

jer postavlja i reava unikatne probleme. Njen razvoj nije u slubi napretka oveanstva,
ali je njen potencijal u unapreivanju kvaliteta zabave od kljunog znaaja za budue video
igre. Vetaka inteligencija je jedan od glavnih elemenata za stvaranje realnih pojava i
paralelne realnosti, to je ini neizostavnim delom budue zabave ljudi.
2.5 Metodi istraivanja i tok istraivakog procesa
Podloga ovog istraivanja je iskustvo autora u oblasti video igara. Prikupljanjem

pisane literature, ali i praenjem diskusija kreatora vetake inteligencije u igrama, dolo se
do dovoljno podataka za analizu i saimanje u teoretski pregled. Internet jeste glavni izvor
lanaka na ovu temu, iako postoji i nekoliko knjiga stranih autora. Postoji i solidan broj
strunih radova na teme koje su vezane za vetaku inteligenciju u igrama, koji esto
ispituju ue probleme u ovoj oblasti.
-6-
Nikola Kneevi
3. Teorija vetake inteligencije u video igrama
3.1 Pojam inteligencije
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.
3.2 Uvod u teoriju
Teorija vetake inteligencije u igrama moe se odvojiti od inteligencije u prirodi i

od akademske vetake inteligencije. Njena uloga je posve drugaija, a njena primena je
definisana granicama mogunosti jedne igre i njenim potrebama. Zadovoljstvo igraa je na
prvom mestu kada posmatramo igru kao proizvod, pa tako i vetaka inteligencija ima
svrhu da doprinese zadovoljstvu i uivanju u igri. Kada se odredi i utvrdi koncept jedne
igre i problemi koje on postavlja pred kreatore vetake inteligencije, postaje jasno da je
kreiranje vetake inteligencije zapravo reavanje problema koji nastaju kroz ideje
dizajnera. Dizajneri igre i kreatori vetake inteligencije imaju slian odnos kao arhitekta i
graditelj. Za svaku igru i njenu mehaniku postoje specifini problemi u funkcionisanju
kompjuterski kontrolisanih karaktera. Njihova inteligencija je skup zadataka koje reavaju
u toku igre, a uspeh koji postiu nije u maksimalnoj merljivoj pameti, ve u mogunosti da
isprate dizajnersku viziju i ideje koje sainjavaju koncept igre.
Vetaka inteligencija u igrama u slubi je zabave i izazova igraima. To ini njenu
teoriju, istoriju i budunost njenog razvoja posebnom. Kao veoma bitan deo jedne igre, ona
-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
3.3 Privid inteligencije
Za sve oblasti vetake inteligencije vai dilema da li je vetaka inteligencija samo

privid inteligencije ili je to zaista inteligencija. U igrama ipak dominira privid, jer
inteligentni sistemi u igrama jo uvek nisu na nekom preozbiljnom nivou. Ako vetaka
inteligencija ne koristi varanje, nee lako pruiti izazov dobrom igrau, a kamoli biti
mudrija od njega. Jednostavno bi se moglo rei da je samo pitanje vremena kada e
manjkavost vetake inteligencije izai na videlo. to je due ona konkurentna igrau, to je
prividno inteligentnija, odnosno bolje uraena.
Nije svim igrama ni potrebna inteligencija da bi se igrai zabavili, ali to se pre
svega odnosi na igre koje nemaju predvieno takmienje izmeu ljudskih igraa, pa ne
postoji ni igra koji ima vetaku inteligenciju koja menja oveka. U takvim igrama se ne
susreemo sa inteligencijom viih nivoa kao to su grupni ciljevi, strategije, taktike, itd.
Manjkavosti u vetakoj inteligenciji se esto radije reavaju kvantitetom nego
kvalitetom agenata. Igrau se nude opcije da igra protiv vie protivnika kontrolisanih
inteligentnim sistemom istovremeno, to jasno pokazuje da jedan protivnik nema anse
protiv uvebanog igraa. Dizajneri igre Halo (Bungie, 2001.) su prilikom testiranja igre
poveali cifru koja odreuje koliinu zdravlja agenata, to je igraima koji su testirali igru
otealo eliminisanje agenata, a veliki broj igraa je imao iluziju da su protivnici
inteligentniji samo zbog ove promene [2].
U igrama inae postoji veliki problem sa ponavljanjem istih iskustava. Neki agent
e svojim komentarima zvuati inteligentno igrau i oiveti svet igre, delujui kao pravi
karakter sve do trenutka dok ne pone da ponavlja iste opaske, kada postaje frustrirajua
smetnja igranju. Opet vai da privid treba da traje to je due mogue, a ako ne traje, bolje
je da agent nita ne govori. Slian primer je skriptovani (reirani) dogaaj, jer je on samo
prvi put zanimljiv igrau, a ponavljanjem potpuno gubi funkciju, pa ak svojom
predvidivou ini igru dosadnijom. Ponaanje agenata zato mora da bude to vie
bazirano na sluajnim izborima, dokle god oni imaju logike, kako igra ne bi znao ta e
tano agent da uradi.
U igrama je inteligencija uglavnom samo privid, zbog ega mnogo ljudi, kojima
pria i reiserske sposobnosti kreatora nisu neka specijalna zabava, radije igraju
meusobno nego sami. Moda se vetaka inteligencija pre moe meriti stepenom privida i
uspenog maskiranja manjkavosti, nego nekim stepenom inteligencije. Ipak, i pored ove
konstatacije moramo biti svesni njenih dobrih rezultata i sve veeg napretka za relativno
kratko vreme postojanja industrije igara uopte.
U dananje vreme se na vetaku inteligenciju gleda kao na onu koja je ispod
ovekove. Kae se da je kompjuter pobedio oveka u ahu, pa da se njegova inteligencija u
tom smislu ne vodi kao vetaka, odnosno da na njoj nema ta vie da se radi. U sluaju
aha, kompjuter je inteligentniji od oveka, a ne manje ili prividno inteligentan. No, igre su
ipak ee razlog da kaemo da je kompjuter neinteligentan, nego obrnuto. Prostor za
napredak je veliki.
-9-
Nikola Kneevi
3.4 Specifinosti kreiranja vetake inteligencije u video igrama
Kada govorimo o inteligenciji u igrama, moramo gledati kroz dati kontekst.

Vetaka inteligencija u igrama je skup specijalnih problema koje treba reiti da bi igra
funkcionisala na zamiljeni nain. Razne vrste igara imaju razliite probleme koje treba
reiti, od kojih su neki: pronalaenje puta, upravljanje karakterima, kretanje u grupama,
rasporeivanje, taktika analiza, strateko planiranje, menadment resursa, upotreba oruja
ili orua, biranje mete, koordiniranje akcije, simulacija percepcije, analiza situacije, analiza
prostora, izbor animacije zavisno od konteksta
Da bi uspeno kreirali vetaku inteligenciju, programeri moraju da postave
probleme koji su za njihovu igru relevantni, a zatim da ih ree. Zato kaemo da vetaka
inteligencija zavisi od konteksta i da ona mora da prati kontekst igre. Da bi njihova
kreacija bila uspena, nije dovoljno da se prosto imitira ljudsko ponaanje, ve da se zna
koja ljudska ponaanja su potrebna igri, pod kojim uslovima bi ponaanje trebalo da se
manifestuje, kakva mehanika bi se dopala igraima Kada se odredi ta bi trebalo
vetaka inteligencija da uradi, onda se biraju alati koji e to omoguiti.
Kreator vetake inteligencije mora da bude i sam ekspert za igru za koju kreira
vetaku inteligenciju. On mora biti pasionirani igra, od ijeg znanja i stila igre zavisi i
znanje kompjuterskih karaktera, koji reaguju u njegovom stilu i po njegovom nainu
razmiljanja.
Inteligencija mora biti izazovna i zabavna igraima. Kreatori se paljivo bave svim
problemima i svaki karakter je posebno napravljen tako da ispunjava kreatorovu viziju.
Najee se dogaa, ipak, da se kreatori odlue za izbor najdosadnijih i najprostijih
ponaanja, uplaeni kompleksnou posla koji je pred njima i ogranieni vremenom i
resursima. Pa tako, umesto da agent kao slabiji protivnik izbegava borbu, to je odlika koju
imaju i mentalno manje razvijena iva bia od ljudi, on bezumno hrli u svoju propast. I dok
se ivotinje koriste raznim metodama u svojoj borbi za opstanak, premeravajui rtvu,
plaei protivnika svojim stranim urlikom, udvarajui se pokazivanjem perja, izdvajajui
plen iz krda, pravei kompleksne zasede i zavaravajui lovce pogrenim tragovima, dotle u
veini igara masa bezumnih protivnika nalee na ma ili pitolj prvobitno uzbuenog
igraa, koji brzo postaje zamoren i prestaje da vidi svrhu i izazov u igri.
Zbog ovakvih primera, dobro uraena vetaka inteligencija je na ceni, a njeni
kreatori e je svakako putem prodaje licence dobro naplatiti. Vetaka inteligencija je deo
endina (motora) igre, koji moe biti veoma dragocen za pravljenje buduih igara. Motor
igre je, razumljivo, programerska mainerija koja pokree igru i ini je igrivom i onakvom
kakvom je vidimo i doivljavamo. Vetaka inteligencija je vitalan deo jednog endina.
Kreatori igara Quake III Arena (Id Software, 1999.) i Unreal Tournament (Epic Games,
1999.) imali su pravi mali konkurentski obraun kada su njihovi endini u pitanju. Ideja je
bila da se napravi endin koji e moi da slui za pravljenje bilo koje igre [26]. Meutim,
iako je sada jasno da je ovaj medijski propraeni duel doneo poprilian novac
kompanijama koje su napravile pomenute igre i endine, pokazalo se da ne moe svaka
igra da se bazira na njima. Razlog tome je kontekst, jer idejno razliite igre ne mogu
upotrebljavati iste endine, a njihova vetaka inteligencija trai odgovore na potpuno
- 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.
3.5 Ciljevi vetake inteligencije u video igrama
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
4. Tehnike i koncepti vetake inteligencije i njihova primena u

video igrama
Kada se osnovna ideja igre razvija dubljim dizajniranjem detalja o funkcionisanju

razliitih elemenata, poinje da se suava krug sistema vetake inteligencije koji bi mogli
u okviru novih, dizajnom odreenih mea, da funkcioniu. Izbor tehnika koje e pokretati
zamisli dizajnera jeste esto i lak posao, bez mnogo mogunosti za rasplinjavanje sistema
inteligencije. Nekada je poeljno koristiti i samo jednu tehniku koja reava sve probleme
koji su u ideji postavljeni. Ipak, neke igre mogu imati potrebu za komplikovanijim
sistemima sa vie nivoa, individualnih i grupnih. Neke tehnike su bolje prilagoene
problemima odluivanja, neke su prilagoene kretanju, a neke stratekim akcijama. Izbor
tehnike zavisi od nekoliko faktora. Prvi je svakako problem koji treba reiti, ali nije i
jedini. Znanje kreatora je veoma vano za izbor, ali i budet koji kreatori imaju.
Naposletku, tu je i vremensko ogranienje, koje je tim budetom najee i uslovljeno. I,
pored svega toga, inovacije na polju inteligencije su este, jer je potreba za usavravanjem
sistema uvek prisutna.
Postoji mnogo tehnika vetake inteligencije koje nalaze svoju primenu u razliitim
igrama. Zavisno od novih saznanja, novih problema koji zahtevaju nova reenja, kao i
kreativnosti ljudi koji prave sisteme inteligencije, uvek e se javljati nove varijacije, ili ak
i tehnike. Nekoliko poznatih tehnika vetake inteligencije, nastalih u naunim krugovima
i inspirisanih prirodnim pojavama i realnim svetom, ve imaju odreenu istoriju korienja
u igrama.
4.1 Ekspert sistemi (expert systems)
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.
4.2 Rezonovanje na osnovu sluaja (case-based reasoning)
Poznata je tendencija ljudi da reavaju odreene probleme na isti nain kao to su

reavani isti ili slini problemi ranije. Ljudi kroz iskustvo nalaze reenja za svakodnevne
situacije i esto imaju ve pripremljeno reenje za veinu problema [26].
Za specifine probleme u nekoj igri, vetaka inteligencija moe da koristi
rezonovanje na osnovu sluaja. Tokom kreiranja igre, ekspert u igranju bi pravio poteze, a
zatim bi oni bili sauvani i vetaka inteligencija bi mogla da ih koristi u istim ili slinim
situacijama. Vetaka inteligencija e prostim monitoringom situacije dati instrukcije
algoritmu da pronae odgovarajue istorijsko reenje. U igrama, meutim, esto dolazi do
pojave strategija sa sekvencama poteza koje bi vetaka inteligencija trebalo da uradi, a tu
je mana ove tehnike. Ako su problemi koje ona reava otvorenijeg tipa, odnosno ako su
odluke vetake inteligencije manje ograniene, onda ova tehnika moe lepo da radi bez
uplitanja drugih tehnika.
Njena primena je mnogo ispitivana u strategijama u realnom vremenu. Neke studije
su pokazale da je njenim korienjem mogue pobediti skriptovanu vetaku inteligenciju
sa predefinisanim koracima. Efikasnost ove tehnike je srazmerna broju ukljuenih atributa
igre koji se prate i imitiraju, kao i broju sauvanih strategija koje ljudski eksperti
primenjuju u toku igre. Njena efikasnost se smanjuje sa poveanom kompleksnou,
odnosno poveanim brojem okolnosti koje treba uzeti u obzir. To znai da je ona manje
efikasna kod velikih mapa (prostora u kome se igra odvija) ili veeg broja rivala u igrama.
- 14 -
Nikola Kneevi
4.3 Maine sa konanim stanjima (finite-state machine)
Maine sa konanim stanjima (FSM) su stanja povezana tranzicijama. Samo jedno

stanje moe biti aktivno u jednom trenutku [26]. Ova tehnika spada u najprostije za
implementiranje, shvatanje i otklanjanje greaka. Ona je i danas veoma koriena zbog
toga, a za neke igre je veoma podesna. Kreatori se njoj ee okreu i zbog vremenskih i
finansijskih ogranienja.
Za svako stanje u kojem se karakteri mogu nai, vezana je akcija ili ponaanje.
Dokle god se karakter nalazi u jednom stanju, on e obavljati istu akciju [4].
Tranzicije izmeu stanja se mogu dogoditi u bilo kom trenutku, tako to vetaka
inteligencija signalizira agentima da treba da promene stanje. Promena stanja se, naravno,
najee deava kada se pojavi igraev karakter. Ako bi uvar u nekoj igri itao novine ili
dremao, na pojavu igraa on bi izvrio tranziciju stanja u napad, alarmiranje ili potragu,
primera radi. Svako stanje e, najee, imati akciju koja je srodna sa njim. Promenom
stanja u jednoj maini mogu se pokrenuti i druge maine sa konanim stanjima, a one
mogu raditi paralelno, ili se dogaa tranzicija izmeu samih maina sa konanim stanjima.
Ponekad ni skup maina sa konanim stanjima nije dovoljno efikasan, jer neka stanja mogu
biti komplikovana, kao to je borba u nekim igrama, a tu se esto pribegava skriptovanju,
pa je posao inteligencije sveden na izbor skripte. Ipak, skriptovano ponaanje je uglavnom
izbegavano zbog performansi.
Maina sa konanim stanjima ide u tranzicije kada se neto dogodi prihvatanjem
signala okidaa (trigger). Maine sa konanim stanjima mogu imati svoj poetak i kraj,
kao i sekvence koje se manifestuju kao uslovi sa boolin sistemom.
Ogranienja koje ima maina sa konanim stanjima delimino moe da otkloni
razuena maina sa konanim stanjima (FuFSM). Kod nje je fleksibilnost glavni motiv, pa
tako broj trenutnih stanja ne mora biti jedno, a tranzicija takoe ne mora da bude ka
jednom, ve ka vie stanja [3]. Ovo je dobro ako bi agent trebalo da vri vie radnji
istovremeno, kao kod vonje automobila, gde treba koiti i okretati volan u isto vreme.
Meutim, uvoenje ovakve maine sa konanim stanjima komplikuje njenu
implementaciju na takav nain da bi mnogi pre napravili zasebne maine sa konanim
stanjima za koenje i upravljanje.
FSM prati koliko moguih stanja moe da ima i snima trenutno stanje u kome se
nalazi. Pored svakog stanja, odrava itav niz moguih tranzicija. Svaka od njih predstavlja
interfejs, koji se javlja kada je njen uslov ispunjen. Bilo da je uslov zadovoljen ili ne,
maina sa konanim stanjima dobija informaciju da li je okida ukljuen ili nije. U
odreenom vremenskom periodu, poziva se funkcija maine koja proverava da li je neka
tranzicija okinuta, primera radi, stanje moe da se proverava u svakom frejmu [4]. Kada bi
tranzicija bila okinuta, maina bi izabrala jednu od postojeih izlaznih akcija iz trenutnog
stanja i tranzicija bi otpoela. esto i tranzicija ima neku svoju akciju koju bi trebalo da
obavi, pa se ona dodaje ve pomenutim akcijama stanja.
Maina sa konanim stanjima esto je osnovni element vetake inteligencije, a
esto slui i kao podloga za implementaciju kompleksnijih tehnika. Njena primena je
korisna kada znamo konaan broj moguih stanja agenata i mogue tranzicije izmeu njih
- 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].
4.4 Produkcioni sistemi (production systems)
Produkcioni sistemi su sistemi bazirani na pravilima. Svako pravilo je skup

uslovnih izjava, a ukoliko su uslovi zadovoljeni, sledi neki broj akcija. Sistemi rade na bazi
if then izraza, a ukoliko bi dolo do situacije da je vei broj uslova ispunjen, sistem
ima mehanizme koji reavaju redosled akcija po prioritetu [26].
Njihova prednost je slina kao i kod maina sa konanim stanjima, a to je njihova
trivijalnost, zbog ega su i ovi sistemi veoma korieni. Njihova uloga je od pomoi kod
primene ekspert sistema, biranja akcija i automatskog planiranja.
4.5 Stabla odluivanja (decision trees)
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.
4.6 Metodi pretraivanja, sistemi planiranja i sistemi zakazivanja (search

methods, planning systems and scheduling systems)
Metodama pretraivanja postie se pronalaenje sekvence akcija ili stanja kojima

se moe postii neki cilj. Takoe se moe postii maksimalna vrednost bazirana na
moguem dostizanju stanja. Da bismo utvrdili koja sekvenca e dati najbolji rezultat za
- 16 -
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)
Ponaanja i akcije se u mnogim igrama biraju tako to se uzimaju u obzir

parametri vani za agenta, i bira se akcija koja je odraz stanja tih parametara. Meutim, u
realnom svetu akcije se esto unapred planiraju, zavisno od cilja i motiva neke osobe. U
igrama je mogue da agenti imaju ciljeve, pa je akciju koju e agent izvesti potrebno
povezati sa ciljevima i motivima korienjem ponaanja orijentisanog prema cilju, odnosto
planiranja.
Planiranje funkcionie tako to se ciljevima ili motivima dodaju numerike
vrednosti po kojima se bira najbitniji cilj. Ove vrednosti menjaju se u zavisnosti od stanja
- 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].
4.7 Logika prvog reda (first-order logic)
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
Situacioni raunar koristi logiku prvog reda da bi automatski rezonovao ta je

najbolji potez agenta u trenutnoj situaciji u svetu igre [26]. Njega je ipak tee primeniti u
igrama u realnom vremenu, jer su okruenja tih igara ograniena performansama, pa e
moda u budunosti vie igara koristiti ovu tehniku.
4.8 Sistemi za vie agenata (multi-agent systems)
U meusobnom takmienju ili kooperaciji agenata mogu se pojaviti nova

ponaanja, a time se upravo bave sistemi za vie agenata [26]. Svaki agent ima sopstvenu
vetaku inteligenciju, a deo ovakve strukture mogu biti ljudski igrai i timovi u
kombinaciji sa agentima vetake inteligencije.
4.9 Vetaki ivot (artificial life)
Vetaki ivot (A-life) je jedan od najinteresantnijih koncepata za vie agenata. Ovaj

sistem simulira realan ivot i implementira neke svakidanje osobine u inteligenciju
agenata [26]. Ovaj koncept se pokazao veoma uspenim kada su igre u pitanju. Popularnost
dolazi iz proste injenice da simulira pravi ivot i tako igraima obezbeuje zabavu uz
paralelnu realnost.
Ponaanja ovog sistema su krajnje predvidiva, ali su kombinacija instinkta i znanja,
pa samim tim imitiraju nain razmiljanja i reagovanja pravih bia, koji je, takoe, donekle
predvidiv. U igrama se koristi, naravno, malo prostija varijanta ove ideje, gde je
modelovanje ponaanja slinih ljudskim ono to se zaista koristi i retki su pokuaji da se
napravi pravi ivot, kao to se u akademskoj vetakoj inteligenciji pokuava.
Kljuni zadaci tehnika su evolucija i prirodna selekcija agenata. One se mogu
simulirati korienjem genetskih algoritama i genetskog programiranja. I dok algoritam
nalazi najpodobnije reenje za problem, dotle programiranje menja reenje da bi se
potpuno uklopilo sa problemom, menjajui sam algoritam [3].
Vetaki ivot se razlikuje od drugih tehnika i po tome to ima strukturu koja ne
polazi od kreiranja pravila koje e agenti potovati, ve od celokupnog sistema koji nalazi
razna reenja za iste probleme. Ova reenja nee uvek biti najbolja mogua, ali bi uvek
trebalo da budu logina, kao kod pravih bia. Dakle, umesto da se na poetku uzmu u obzir
sva reenja i svi problemi, sistem bi sam trebalo da iznedri kompleksna reenja iz prostih
rutina vetake inteligencije posebnih agenata. Tako se pojavljuju i nova ponaanja koja
imaju logiku [3].
Naravno, kontrolisana vetaka inteligencija mora da postoji i kod vetakog
ivota, ali samo kao kontrola nekih kljunih elemenata. To znai da e sistem kontrolisati
ponaanja koja proizilaze iz apstraktnih rutina vetake inteligencije agenata, ali samo da
ona ne bi bila nelogina, a ne da bi se potpuno podvrgao nekim striktnim pravilima.
- 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)
Kao podkategorija vetakog ivota pojavljuje se tehnika koordinisanog kretanja

veeg broja agenata pod nazivom jaenje ili floking, koja dosta podsea i inspirisana je
jatima ili krdima ivotinja u prirodi i njihovim meusobno zavisnim kretanjem [26]. Svako
jato moe imati vou, od ijeg kretanja zavisi i kretanje ostatka grupe. Voa (lider) je
najee na elu grupe i njegov pravac dre ostali lanovi. Lider se moe menjati, a ostali
lanovi grupe mogu usporavati ili ubrzavati svoje kretanje zavisno od pozicije. Poput riba,
grupa agenata moe menjati naglo svoju putanju u kratkom vremenskom periodu. Od
ostatka grupe se moe kontrolisano odvojiti neki lan, koji e se posle vratiti jatu, ili e se
ono pripojiti njemu.
Algoritmi povezani sa ovom tehnikom reavaju nekoliko problema grupnog
pozicioniranja. Rasporeivanje, odvajanje, koheziju i izbegavanje prepreka ili protivnika
grupe mogu da rade uz pomo Rejnoldsovih algoritama [3] [4]. Oni su savreno reenje za
manji broj agenata. Kada kaemo odvajanje, mislimo na odravanje distance izmeu
lanova grupe, a to znai upravljanje agenta i izmicanje od susednih lanova. Postrojavanje
lanova tako da dre isti pravac i njihovo brzinsko poravnanje je drugi zadatak algoritama.
lanovi, takoe, treba da se orijentiu prema centru jata, to je trei zadatak, a etvrti je
izbegavanje statinih i dinaminih objekata ili neprijatelja.
Tehnika floking je, u sutini, tehnika kontrolisanog upravljanja agenata. Ovde
imamo i atribute kao to su ubrzanje, koenje, krug zaokreta, energija agenata ili koliko su
odmorni, itd. Prilikom poveanja broja agenata, ova realistina simulacija oduzima suvie
resursa raunara, pa se mogu koristiti alternativna reenja, koja nisu toliko striktna u
pravilnom ponaanju grupe. Algoritmi koji simuliraju roj su dobro reenje za vei broj
agenata, a koriste manje resursa [25].
Primena tehnike floking je dosta iroka. Ako u igri treba napraviti realistino jato
ptica, riba, formacijsko kretanje aviona, svemirskih brodova i slinih letelica, onda je jasno
da e se ova tehnika koristiti. Meutim, ona se moe koristiti i kod simulacija vonje ili
saobraaja u nekom gradu, da se automobili ne bi nasumino sudarali. Grupa vojnika u
nekoj igri se moe kretati u formacijama u koje se agenti postavljaju potujui pravila
flokinga. Osim kretanja u formaciji, veoma bitna korist ove tehnike dolazi u vidu
izbegavanja prepreka pokretljivih agenata, koji osim to moraju da odravaju distancu od
drugih agenata, moraju da izbegavaju statine objekte i prepreke [3]. U svim ovim
- 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.
4.10 Robotika (robotics)
Robotika je verovatno najpopularnija i jedna od najstarijih oblasti vetake

inteligencije. Svaki robot ima svoje ulazne informacije koje prikupljaju senzori i izlazne
postupke kojima se bavi kontrolni sistem [26]. U igrama agenti dobijaju informacije o
svom okruenju, ali nisu im potrebni senzori. Mnogo zanimljiviji za igre jeste kontrolni
sistem, jer se pomou njega vri kretanje, zaobilaenje prepreka, ali i interakcija sa
karakterima u okruenju, izmeu ostalog. Problemi kretanja agenata u igri i robota koji se
kree u stvarnom okruenju su praktino isti.
4.11 Razuena logika (fuzzy logic)
Razuena logika predstavlja jedan od pristupa za biranje ponaanja i donoenje

odluka. Prema Tozoru, postoje pitanja na koja ne moe da odgovori na valjan nain
klasina logika sa true i false ishodom. Tu nastupa razuena logika, koja meri do kog
stepena je neto true ili false. Sve se izraava preko realnih brojeva [26]. Dakle, ova
tehnika ima bazu u matematikim proraunima, a ne u binarnoj logici.
Da bi karakter u igri izabrao ponaanje koje u tom trenutku treba da pokae, on
mora da proceni razne parametre. Ako proceni da je igra blizu, napae ga hladnim
orujem, a ako proceni da je dalje, napae ga sa distance vatrenim orujem i sl. Meutim,
ako uzme u obzir i neke druge stavke, njegova procena moe biti razliita, zavisno od toga
koji skup parametara odgovara kom ponaanju. Ako karakter ima dva oruja koja se
koriste za blisku borbu, izabrae ono koje je jae samo ako stepen besa koji je sakupio, na
primer, prelazi odreeni nivo.
Komplikovanija razuena logika radi i sa vie ponaanja. Karakter moe pucati i
kretati se istovremeno. Ova tehnika se koristi u igrama u velikoj meri, mada ona nije uvek
glavni pokreta inteligentnog sistema, ve samo dodatak koji obezbeuje realnije
razmiljanje kompjuterski kontrolisanih karaktera. Ovaj pristup je koristan, jer daje novi
kvalitet pitanjima koje kreator moe da postavi kada pravi vetaku inteligenciju,
obezbeujui tako kompleksnije karaktere koji uzimaju vie faktora u obzir i mere njihovu
relevantnost da bi odabrali ponaanje ili akciju. Kod komplikovanijih varijanti sistema,
optimizacija je neophodna zbog velikog broja pravila koja proistiu iz malog broja ulaznih
faktora. Osim razuena logike, iz ovog pristupa nastaju i razuene maine sa konanim
stanjima, a u dobrom delu implementacija neuronskih mrea koristi se upravo razuena
logika. Kod vetakog ivota, kalkulacije razuena logike su odgovorne za ono to mi
vidimo na ekranu u nekim sluajevima.
- 21 -
Nikola Kneevi
4.12 Mree sa propagacijom uverenja (belief networks)
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.
4.13 Skriptovanje (scripting)
Prava veza izmeu dizajna igre i sistema vetake inteligencije se postie

skriptovanjem. Razni dogaaji u toku igre, koji su plod dizajnerskih ideja mogu biti
zanimljivi za igrae, a dizajneri igre mogu lako da prilagode svoje ideje kdu igre.
Ponaanje agenata u toku igre moe, prosto, biti isprogramirano da se privid inteligencije
postigne bez korienja drugih tehnika. Jezika skriptovanja ima razliitih, pa je njihov
izbor stvar kreatora koji, takoe, moe sam da napravi svoj, kako bi na pravi nain
funkcionisalo ono to je zamislio.
Celokupan kd neke igre se ne menja lako, pa je potrebno kompajlirati itav kd
kada se izvre najmanje promene. Zbog toga se te promene vre u posebnim
konfiguracionim fajlovima ili skriptama. Vrednosti koje su dizajnerima interesantne se
stavljaju u posebne fajlove, da bi oni mogli lako da ih promene po elji. Komande iz
konfiguracionih fajlova se pozivaju preko virtuelnih maina iz glavnog kda igre. Nisu
samo parametri ti koji se mogu nai u konfiguracionim fajlovima, tu se mogu, u
naprednijim varijantama, nai i logiki kdovi, kao i objekti. Prednost je i ta to skripti
moe biti koliko god kreatori poele. To su veoma prosti tekstualni fajlovi. Jezici
skriptovanja se koriste da se lako i brzo itaju konfiguracioni fajlovi. Veina logike igre se
moe postaviti u konfiguracione fajlove sve dok se kreiranje igre ne zavri, radi lakeg
kompajliranja, a kasnije se taj kod moe vratiti u C++, primera radi. Jezici skriptovanja su
veoma korieni zbog toga to ih razumeju lako i ljudi koji nisu programeri u timovima
koji prave igre. Upravo zbog toga dizajn igre postaje manje naporan posao korienjem
skriptovanih jezika.
- 22 -
Nikola Kneevi
Nisu samo ljudi u timovima spremni da koriste skriptovanje, ve i igrai koji se

razumeju u programiranje. U nekim situacijama to nije dobro, jer igrai menjanjem
konfiguracionih fajlova prave sebi nepravednu prednost u odnosu na druge. Meutim,
skriptovanje je i glavni pokreta modovanja, koje postaje jedno od znaajnijih oruja za
prodaju igara. Modovi su modifikovane verzije neke igre, koje prave entuzijasti i
zaljubljenici, ali i oni koji vebaju svoje kreatorske sposobnosti. Modifikovane verzije
igara su esto popularnije od samih igara. Kreatori igre daju mogunosti igraima da sami
preprave neto u endinu igre i to ba ono to kreatori odrede da moe da se promeni.
Skriptovanje moe da daje dozu filmskog ili pozorinog u igri. Poput neke scene,
ovi fajlovi menjaju zvuk, ugao kamere i animacije. Tako kreatori igre postaju praktino
reiseri. I vetaka inteligencija neke igre moe biti promenljiva. Ukoliko se maine sa
konanim stanjima agenata stave u konfiguracione fajlove, njihovo ponaanje se moe lako
menjati. Skriptovani dogaaj je termin koji opisuje situacije u igrama, koje su reirane od
strane kreatora da unesu ivot u kampanju igraa. Kada bi igra okinuo skriptu (pritisnuo
dugme, doao na postavljenu lokaciju i sl.), aktivirao bi se neki reirani dogaaj koji moe
biti veoma prost, ali i prava akciona scena, sve zavisno od dizajnerske mate.
Problem skriptovanja je smanjivanje vrednosti ponovnog igranja, jer se scene i
ponaanja ponavljaju, pa su predvidiva i dosadna igrau. Ono to je inilo igraevo
iskustvo bogatim prilikom prvog igranja, gubi svu vrednost kod drugog. Slian efekat kao
kod ponovnog gledanja filma ima i igra pretrpana skriptovanim dogaajima.
4.14 Mainsko uenje (machine learning)
Uspeh tehnika kojima agenti u igri ue je vrlo diskutabilan. Ako se implementacija

ne obavi paljivo, moe doi do nekoliko problema zbog kojih igre mogu biti praktino
neupotrebljive. Ako sistem ui od ljudskog igraa, on moe da naui i pogrene stvari.
Neuronske mree, na primer, su poznate kao strukture veoma komplikovane za testiranje i
otklanjanje greaka. Zbog toga ih kreatori izbegavaju, iako bi one potencijalno bile
izvanredno reenje.
Tehnike uenja zahtevaju neku vrstu provere nauenih stvari, ali s obzirom na to da
je cilj igre da zabavi igraa, time je jos tee napraviti funkciju za takvu proveru, jer nije
jednostavno praviti kljune, sitne prepravke koje znae mnogo u balansu igre. Nije
dovoljno imati samo pametnog i izazovnog protivnika koji e igraa lako pobeivati.
Namena vetake inteligencije esto nije da ui, to takoe umanjuje znaaj tehnika uenja.
U dobrom delu igara, agent ivi toliko kratko da nema vremena da neto naui. Ipak,
uenje se moe paljivo implementirati u sprezi sa drugim tehnikama tamo gde je ono
zaista potrebno, a tada e i prednosti uenja biti uoljive i predstavljae poboljanje
igrivosti. Uenje je sutina inteligentnog ponaanja, to se vidi i po tome to se esto u
svakodnevnom govoru ne pravi razlika izmeu osobe koja lako ui i inteligentne osobe.
Zbog toga mainsko uenje u video igrama zahteva detaljniju analizu.
- 23 -
Nikola Kneevi
5. Primena mainskog uenja u vetakoj inteligenciji u video igrama
5.1 Uvod u analizu mainskog uenja u video igrama

Kada govorimo o inteligenciji uopteno, esto je nesvesno meamo sa uenjem.
Uenje jeste deo inteligentnog ponaanja, moda i najupadljiviji deo, to njegovu primenu
u vetakoj inteligenciji stavlja u prvi plan. Igre imaju raznolike zahteve kada je
inteligentno ponaanje u pitanju, a dobar deo njih nema potrebu za agentima vetake
inteligencije koji ue. Meutim, postoje mnoge igre iji dizajn daje osnovu za
implementaciju agenata koji ue. Za veliki broj igara bi agenti koji se adaptiraju, planiraju,
predviaju i ue kroz iskustvo, bili vie nego obian dodatak igri.
U ovom poglavlju ispitujemo kakve uloge u igrama mogu imati agenti koji ue,
koliko su njihove uloge kljune za kvalitet igre i koliko je mainsko uenje pogodno za
primenu u igrama. Baviemo se i tehnikama mainskog uenja koje imaju istoriju i
potencijal za primenu u igrama. Diskutovaemo o opravdanosti, odnosno u kojoj meri je
uenje dobar nain da se unapredi igraki doivljaj, a u kojoj meri je implementacija
uenja problematina kreatorima vetake inteligencije. Razmotriemo prethodnu primenu
inteligentnih agenata koji ue u igrama i popularne naine dizajniranja inteligentnih
sistema koji ue. Odrediemo ciljeve uenja, naine testiranja i probleme koji prate razne
implementacije uenja. Analiziraemo oigledne vrline koje imaju agenti sa
implementiranim uenjem, ali i razloge zbog kojih nema mnogo igara koje poseduju takve
agente.
5.2 Prednosti mainskog uenja u teoriji i njegovo stanje u praksi
Uenje je veoma popularna tema u video igrama. Kada bi vetaka inteligencija

bila sposobna da ui na pravi nain, ona bi, u teoriji, mogla da se adaptira svakom igrau
ponaosob, ime bi se igraima pruao konstantni izazov. Vetaka inteligencija koja ui
bila bi podloga za stvaranje mnogo uverljivijih karaktera, koji su svesni svoje okoline i koji
je koriste efikasno. Za kreatore vetake inteligencije, ona koja pravilno ui predstavljala
bi veliku utedu vremena i energije, jer bi se sama adaptirala na okruenje igre i postupala
u skladu sa specifinostima svog zadatka, bez uplita kreatora u svaki detalj. Uenje se
moe posmatrati kao jedan od kljunih faktora inteligentnog ponaanja, pa je ideja da se
ono implementira u inteligentne sisteme igara prisutna od samog poetka razvoja vetake
inteligencije u igrama.
Uenje u igrama je, u praksi, jo uvek neiskoriena kategorija. Teko je isplanirati
implementaciju uenja, a razne tehnike koje su koriene prepune su mana. Ako se te mane
razumeju, a planiranje se obavi na pravi nain, onda nema razloga da se uenje ne
implementira u vetaku inteligenciju. Mogu se koristiti mnoge tehnike, a njihova
kompleksnost veoma je razliita, od prostijih, koje se baziraju na balansiranju brojeva, do
- 24 -
Nikola Kneevi
kompleksnijih sistema, kao to su neuronske mree. Korienje tehnika zahteva njihovo

dobro razumevanje, kako bi one dale zamiljene rezultate u realnim igrama.
Uenje je bitno zato to daje mogunost kompjuterski kontrolisanim igraima da
reaguju razliito u istim ili slinim okolnostima, to dalje implicira da bi konani ishod
nekog nadmetanja sa ljudima mogao biti promenjen. Kada se ishodi evaluiraju i kada se
ustanove greke, dolazimo do kompletnog sistema uenja kao monog dodatka za vetaku
inteligenciju. Bogatije iskustvo za igraa postie se novim ponaanjima i taktikama koje
donosi uenje. Kreatorima vetake inteligencije predstavlja problem to to nemaju
potpunu kontrolu nad produktom uenja njihovih agenata. Iz tog razloga oni e se esto
odluivati za dosadnije i jednostavnije reenje, koje nee iznenaditi ni njih ni igraa. U
teoriji bi uenje uvek bilo dobar dodatak vetakoj inteligenciji, pa ak i njena kljuna
sposobnost, ali je u praksi situacija jo uvek naklonjena manje kompleksnim reenjima.
5.3 Zadaci mainskog uenja u video igrama
Poznato je da nepredvidivost ishoda zapravo stvara zavisnost kod igraa koji se

nadmeu. Zarazne igre su upravo one koje se najvie igraju, a esto su to igre u kojima se
ljudi meusobno nadmeu, jer je na taj nain izazov mnogo vei. Ljudi ele da iznenade i
da ih protivnici iznenauju, kako bi pobeda u igri bila uspeh. Iako je teko stvoriti
takmiarski duh sa agentima vetake inteligencije, oni i sada mogu posluiti kao dobra
zamena, a pravilnom implementacijom uenja bi, u teoriji, trebalo da otklone najbitnije
razlike u odnosu na ljude. Postoji veliki broj igraa koji nisu voljni da igraju sa ili protiv
drugih igraa, pa je za njih kvalitetna zamena od presudne vanosti da bi im igra bila
zabavnija.
Predvianje je usko povezano sa uenjem. Dogaaji iz prolosti nas ue da
predvidimo budue dogaaje i da reagujemo u skladu sa tim predvianjima. Okruenje u
kome se agenti nalaze mora da im prui odgovarajue informacije o stanju igre ili
uspenosti njihovog delovanja. Postojanje povratne informacije (feedback) omoguava
agentima da ocene svoj dotadanji uinak i da poveavaju kvalitet budueg predvianja
situacije, a tako i kvalitet svojih poteza. Kada agenti ponu da se ponaaju nepredvidivo, sa
uspenim rezultatima, onda moemo govoriti o jakom utisku inteligencije.
Dobar nain da se iskoriste uenje i vetaka inteligencija jeste u emotivnom
zbliavanju igraa i agenata. Ako igra dobija ulogu da trenira svoje agente i da se njihov
karakter, ali i pojava, menjaju u skladu sa njegovim treninzima, agent bi postao igraeva
kreacija, to umnogome produbljuje vezu izmeu igraa i njihovih vetakih karaktera, a
samim tim i igraki doivljaj.
U nelinearnoj strukturi igara, koja je kompleksnije, ali verovatno zabavnije
dizajnersko reenje od stalnog dirigovanja kreatora, prilagodljivi karakteri su jedini koji
mogu da funkcioniu na pravi nain. Nepredviene i nove pojave u svetu igre, ili akcije
igraa, zahtevaju odgovor agenata i njihovu trenutnu adaptaciju.
- 25 -
Nikola Kneevi
5.3.1 Znaaj uenja i razlozi za njegovu implementaciju
Uenje je sutinski bitno za utisak inteligencije i agenti u igrama bi uenjem,

svakako, dali mnogo vei utisak inteligencije, nego nekim drugim manifestacijama
inteligentnog ponaanja. Uenje donosi sa sobom predvianje, koje je osnova dobre
vetake inteligencije.
Kako bi igra uspela na tritu, kreatori daju sve od sebe da ona bude vizuelno,
zvuno i sadrajno dopadljiva. Veliki deo vremena troi se na mehaniku igre, kako bi njena
igrivost bila na visokom nivou, ali i na reklamu i na stvaranje baze fanova. Meutim,
injenica je da vetaka inteligencija moe da doprinese uspehu jedne igre, pa ak i da
odigra kljunu ulogu, posebno ako ui, jer time stvara mnogo novih mogunosti
dizajnerima igre.
Vetakom inteligencijom mogue je pravilno kontrolisati zaraznost jedne igre, to
je veliki preduslov za njenu uspenost. Posebno je bitno iznenaditi igraa i pruiti mu
neizvesna iskustva sa agentima vetake inteligencije. Ukoliko se agenti pokau
nepredvidivim, pod uslovom da ispoljavaju logina i svrsishodna ponaanja, igra bi mogla
postati veoma zanimljiva. Da bismo razumeli ta stvara zavisnost kod igraa, moemo
uzeti u obzir i primere iz ivota. Kockanje izaziva zavisnost, jer je njegov ishod
neoekivan. Filmovi ili knjige su mnogo zanimljiviji kada ne znate ta e se dogoditi. Tako
je i sa igrama, pa se esto pria u igrama moe uporediti sa filmskom. No, svaka pria je
samo deo zabave, a za due posveivanje jednoj igri, kao i za njen uspeh, odgovorni su i
drugi elementi. Da bi igra mogla da prui stalna nova iskustva igraima, a pored toga i
konstantni izazov, vetaka inteligencija bi trebalo da ui, a agenti da se unapreuju.
Kreatori vetake inteligencije imaju za cilj da zabave igrae, a moda najbolji
nain za objektivno sagledavanje elja igraa je da im sami daju povratne informacije i
ideje. Jedna od kljunih stvari za uspeh neke igre je njena irina, odnosno ono to igra
moe da radi dok igra. Tu vetaka inteligencija moe imati zanimljive uloge. Neutralni
karakteri u igri mogu biti prava poslastica za igrae, posebno ako interakcija sa njima moe
da se uporedi sa interakcijom meu ljudima u igrama za vie igraa. Osim toga, agenti
vetake inteligencije mogu biti zanimljivi i nezaboravni karakteri, poput filmskih, ali se
njihova zabavnost moe unaprediti uenjem komunikacije sa igraem i reagovanjem u
skladu sa svetom igre, odnosno dogaajima u njemu. Ovakvi karakteri mogli bi da stvore
potpuno nove igre u okviru postojee, a to je velika stvar za njen uspeh.
5.3.2 Izbor tehnika koje donose uenje
Tehnike se mogu klasifikovati u nekoliko grupa, zavisno od toga kada se uenje

dogaa, ta se ui i kakve efekte na ponaanje karaktera stvara uenje. Uenje se moe
obavljati u toku same igre, to omoguava karakteru vetake inteligencije da ui
dinamiki dok igra igra i da se adaptira na stil igranja koji igra praktikuje, pruajui mu
tako konstantni izazov. to igra vie igra, to vetaka inteligencija bolje predvia njegove
karakteristine poteze i ponaanje njenih karaktera moe se prilagoditi razliitim stilovima.
Igra se tako moe uiniti zanimljivijom za igraa, koji uiva u odreenom stilu i izazovu
koji mu se, pritom, prua.
- 26 -
Nikola Kneevi
Problem ovakve vrste tehnika je u nepravilnom uenju. Ako se vetaka

inteligencija adaptira u toku samog igranja, onda nema mesta popravljanju greaka i
testiranju njene sposobnosti. Ukoliko se stil igre konstantno menja, lako dolazi do loih
odluka vetake inteligencije, koja se nepravilno adaptira. Zato se veina uenja obavlja
pre samog nastupa igraa, najee u procesu pravljenja igre. U okviru ovakve kreacije
vetake inteligencije nalazimo naine da iz podataka koji se dobijaju igranjem i
testiranjem evoluiramo strategije ili parametre bitne za kvalitet vetake inteligencije. S
obzirom na to da se u ovakvim sluajevima mogunost testiranja i ispravljanja greaka daje
kreatorima, nije udno to oni imaju slobodu da pokuaju da dou do eljenog kvaliteta sa
nekonvencionalnim i nepredvidivim algoritmima uenja.
Prilikom testiranja najee se uzimaju mape za vie igraa i algoritmi se
posmatraju dok ue elemente tih mapa prilikom taktikog planiranja, ili pronalaenja
najboljih putanja, dok se i njihova veza sa fizikim endinom produbljuje. Vetaka
inteligencija moe da ui i van same igre, analizirajui parametre pre njenog poetka i
posle zavretka. Ipak, problem ostaju bagovi i ispravljanje propusta u ponaanjima, a javlja
se i problem duih uitavanja zbog vee obrade podataka, to nije u skladu sa optim
normama koje se postavljaju pred kreatore igara, jer igrai ne vole da ekaju.
Mogu se primenjivati mnoge tehnike u svakom od navedenih naina. Tehnike
poput genetskih algoritama ili neuronskih mrea koriste kd, koji se sam modifikuje
prilikom egzekucije, pravei zanimljive rezultate.
Jedna od mogunosti, koja se moe pokazati korisnom, je privid uenja ili varanje.
Moda je dobro ponekad dati agentima informacije koje igrau u istoj situaciji ne bi bile
dostupne. No, ukoliko igrai ne mogu da vide razlog ponaanja agenta, on se moe uiniti
pomalo neinteligentnim, pa se zbog toga ponaanje agenata najee ograniava na
reakcije, na dogaaje koji su oigledni i igraima. Ovo ne znai da se u nunoj ili pogodnoj
situaciji ne moe upotrebiti i neki trik, ali samo ako on ne teti uverljivosti agenata.
Kreatori, na kraju, odluuju u kojoj meri e implementirati tehnike uenja, kao i to
koliku e slobodu dati sluajnom i nepredvienom ponaanju agenata.
5.3.3 Varijante uenja
Da bi agenti bili fleksibilni, oni bi trebalo da ue na vie naina. U uenje agenta

mogu biti ukljueni i sami igrai, koji na neki nain nagrauju ili ukoravaju pokazano
ponaanje agenata. Agenti, takoe, mogu uiti posmatrajui druge agente i implikacije
njihovih akcija. Agent moe i da naui od igraa kakvu interakciju ili akciju da izvede u
datim okolnostima.
Svi naini uenja zahtevaju odreenu potporu od strane vetake inteligencije. Oni
mogu zajedno da koegzistiraju u njenom sistemu. Dobar pristup je ukljuivanje igraa, jer
on ukazuje vetakoj inteligenciji na to ta je dobro uradila na jednostavan nain, ali nije
dobro bazirati sve na povratnoj informaciji od igraa. Agenti na ovaj nain ne ue kao
ljudi, jer ljudi esto ue tako to im drugi ljudi pokazuju, a ne tako to probaju neto i
dobiju pohvalu ili prekor. Igrai moraju ekati da daju povratnu informaciju, jer su pre
- 27 -
Nikola Kneevi
poteza agenta onemogueni da to uine. Postoji i problem raslojavanja lekcija u jednom

potezu agenta. Agent moe da vri dobru interakciju sa loim objektom, ili obrnuto, a da
igra time to ga je prekorio otkloni i ono to je dobro u prikazanoj akciji, zarad onog
pogrenog. Potrebno je dati igrau mogunost da zada komandu agentu, ili da mu svojim
primerom pokae pod kojim uslovima se postupa na neki nain, sa mogunou agenta da
spozna motiv igraa za lekciju koju mu pokazuje [14].
5.3.4 Predvianje akcija
Jedan od korisnih efekata uenja je predvianje buduih situacija u toku igre.

Agenti se ue da predvide poteze igraa, kako bi ih spremno doekali i pruili im
odgovarajui izazov. U toku igre mogu se predvideti razliiti potezi igraa, u zavisnosti od
tipa same igre: koje e jedinice graditi, kakve tehnologije e istraivati, koje e orue ili
oruje koristiti ili kojim putem e krenuti
Najprostiji nain za predvianje buduih poteza igraa je voenje evidencije o
njihovim prethodnim potezima i odlukama. Statistiki se moe izraziti koliko se puta igra
odluio za jednu ili drugu opciju u toku partije. Vremenom bi se mogla stvoriti slika o
njegovim sklonostima, omiljenim lokacijama ili taktici, odnosno prosta verovatnoa
njegovog sledeeg izbora. Ipak, igrai ne bi mogli nasesti na ovako prosta reenja agenata
vie od jedanput ili dva puta. Igra bi odmah naao alternativnu taktiku i cela statistika bi
postala beskorisna. Implementacija ovakve analize nije problematina, a moe biti korisna.
U nekim igrama moglo bi se dogoditi da igra samo jednom odluuje, a kada bismo uzeli
statistiku odluka od veeg broja igraa, doli bismo do ee biranih reenja, to bi moglo
pomoi kada novi igrai dou do posmatrane dileme.
Za predvianje poteza postoje i ozbiljnije tehnike. One, uglavnom, ispituju
sekvence poteza, a ne samo jedan potez. Njihova predikcija uzima u obzir ceo niz (string)
odluka doneenih od strane igraa i potom, prema prethodnim reenjima, bira
najverovatnije sledee reenje u toku partije. Prosti string matching algoritam ili N-Gram
algoritam mogu biti korisna reenja za predikciju [4] [18].
5.3.5 Adaptacija
Vetaka inteligencija je proizvod njenog kreatora, koji predvia kako e igrai

odigrati neki potez ili partiju. Meutim, igrai su, uglavnom, bolji i kreativniji od onoga ko
osmiljava vetaku inteligenciju i predvia njihove stilove i mogunosti. Igrai uvek nau
nain da iznenade kreatore. Kada igra jednom nae nain da pobedi lagano, bez truda i
razmiljanja, ranije spremljenu vetaku inteligenciju, on nastavlja da forsira taj nain igre
koji mu donosi dobar rezultat. Igra ubrzo postaje dosadna, jer igra lako pobeuje i stalno
ponavlja iste poteze. Zato je jedna od bitnih mogunosti vetake inteligencije
implementiranje tehnika mainskog uenja, radi adaptiranja na razliite stilove igranja i
ideje igraa koje prevazilaze predviene situacije.
Vetaka inteligencija koja se adaptira mogla bi da smanji veliki posao kreatorima,
jer bi, umesto predvianja i implementiranja velikog broja pravila za razliite situacije,
- 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
drugim ponaanjima. Takva ponaanja simultano se unapreuju, bez gubitaka u

efikasnosti. Fini balans je neophodan kada je re o odnosu eksploatacije postojeih znanja i
isprobavanja novih ponaanja. Agenti se ne smeju previe okrenuti ni eksploataciji, ni
probi. Unapreenja bez probe nema, ali se pokuaji agenta da ostvari bolji nastup esto
zavravaju loe. Ovaj problem postoji u direktnoj adaptaciji, jer je redosled poteza
neodreen. Kod indirektne adaptacije ovakve dileme reavaju kreatori vetake
inteligencije.
Ako poemo od toga da bi vetaka inteligencija trebalo da izgleda inteligentno
igraima, a da pritom ne mora ni da bude inteligentna, moemo se posluiti i lanom
adaptacijom. Statina logika reava probleme sluei se statistikom. Kreatori vetake
inteligencije, takoe, mogu napraviti skripte koje menjaju ponaanja u zavisnosti od
situacije. Naravno, sve je onda limitirano na sluajeve koje su smislili kreatori pre pojave
igraa, a i pravljenje ovakvih lanih adaptacija iziskuje mnogo vremena i kreativnosti.
5.3.6 Strategije i taktike vetake inteligencije koja ui
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
5.4 Potencijalne tehnike mainskog uenja za primenu u video igrama

5.4.1 Neuronske mree (neural networks)
5.4.1.1 Bioloka neuronska mrea
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
eleli da ih primene u kreaciji vetake inteligencije. Naravno, kreatori vetake

inteligencije u igrama trenutno ne mogu iskoristiti sve potencijale ljudskog mozga, imajui
u vidu da ni on nije dovoljno istraen, ali imitacije naina na koji on funkcionie mogle bi
biti primenljive.
Bioloka neuronska mrea ne funkcionie kao digitalni kompjuter. Ona ne reava
probleme poput kompjutera. Ona ih reava paralelnim, distribuiranim modelima
verovatnoe. Problem se reava kao reenje malih delova sastavljenih u jedan veliki
rezultat.
Ideju za stvaranje vetake neuronske mree kreatori vetake inteligencije dobili
su iz prouavanja ivotinjskog mozga i naina na koji ivotinje mogu da ue.
5.4.1.2 Vetaka neuronska mrea
Kada govorimo o mainskom uenju, ne mogu se zaobii neuronske mree. One

funkcioniu na bazi funkcionisanja pravih mozgova. ivotinjski i ljudski nervni sistem ima
gomilu konekcija izmeu neurona, koji se mogu posmatrati kao vorovi, ili raskrsnice, i ta
arhitektura se koristi za konstruisanje vetake neuronske mree [26].
Parametri koji vae izmeu neurona se stalno podeavaju i daju mogunost
agentima da ispune zadatke na optimalan ili makar priblino optimalan nain. Svaki vor,
ili vetaki neuron nije previe komplikovane strukture. Svi vorovi rade sa istim
algoritmom. Neuronska mrea moe biti razliito projektovana, ali standardno se
predstavlja sa ulazom na levoj strani, a izlazom na desnoj. Svaki vor dobija ulazne
informacije iz svih vorova koji su rasporeeni levo od njega i sa kojima je povezan.
Algoritam obrauje podatke, i od vie ulaznih daje jedan izlazni podatak za dati vor.
Ulazne podatke sa leva alje programer, a izlaz na desnoj strani mree bi trebalo da
omogui neki eljeni rezultat koji se manifestuje kao akcija ili ponaanje koje ima smisla.
Mree mogu imati obrt u petlji, ali je ovakva varijanta mnogo tea za kontrolu. Neke
mree ak nemaju ulaze i izlaze, ve svaka veza moe biti i ulaz i izlaz.
Vetaki neuroni imaju svoja stanja, koja zavise od ulaznih podataka ili stanja
drugih neurona sa kojima su povezani. Ovakva mrea jo uvek nema mogunost da ui.
Izlaz e uvek davati isti rezultat, ako mu ulazne vrednosti budu iste. Da bi neuronska
mrea mogla da ui potreban joj je algoritam sa pravilima uenja. Uenje iz primera u toku
igre se moe postii i sa stablima odluivanja. No, iako su stabla odlina za primenu kod
poznatih primera i situacija, kod onih nepredvienih mnogo bolje funkcioniu neuronske
mree. Ipak, one nisu dobre za reavanje preciznih problema, gde esto mogu dati
pogreno reenje na poznatu situaciju.
Struktura neuronske mree je podeljena na tri sloja: ulazni, izlazni i srednji
(nevidljivi) sloj. Ulazni sloj e imati onoliko neurona koliko parametara pratimo da bismo
reili problem. Takvi parametri su numeriki i prikazuju trenutno zdravlje, municiju, oklop
i sl., od kojih zavisi kakvu e akciju napraviti agent. Jedan neuron na samom kraju daje
izlaz. Ovde dolazimo do uenja. Svaki neuron dakle ima odreenu vrednosnu teinu. Ona
se menja u zavisnosti od ulaznih parametara, ali i od tehnike irenja povratne informacije.
- 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
5.4.2 Genetski algoritmi i genetsko programiranje (genetic algorithms and

genetic programming)
5.4.2.1 Bioloka genetika
Genetski algoritmi inspirisani su procesom prirodne selekcije u biologiji. Njihova

uloga je da vetaki stvore evoluciju, kako bi se napravila priblino dobra reenja za
kompleksne, nelinearne probleme. Genetski algoritam bi korienjem malog broja
elementarnih blokova trebalo da stvori veliki broj stratekih kandidat reenja, ija se
efikasnost vrednuje. Kada se izaberu najbolja reenja, ona evoluiraju kroz nekoliko
generacija dok ne dostignu zadovoljavajui nivo nastupa u igri.
Bioloka genetika daje nam inspiraciju za vetaku, pa je bitno videti na koji nain
genetske informacije funkcioniu kod ivih bia. Veina ivih bia uva genetski materijal
u molekulima dezoksiribonukleinske kiseline (DNK). Ovi molekuli veoma su veliki i
kompleksni. esto sadre milione atoma. Svaki od ovih molekula uauren je u elijama u
zatitnu membranu formirajui hromozome. Broj hromozoma varira u zavisnosti od toga
kom ivom biu pripadaju, a kod ljudi sve elije osim polnih imaju etrdeset est
hromozoma. Sav genetski materijal jedne individue naziva se genotip.
Svaki hromozom sadri nekoliko gena. Gen je deo DNK koji sadri neku vrstu
nacrta za konstrukciju jednog proteina. Svaka karakteristika individue inspirisana je
donekle genom, ili ee genima koji su u meusobnoj interakciji. Geni se mogu smatrati
atomima genetike, jer njih posmatramo kao nedeljive komponente.
Prilikom reprodukcije dete dobija polovinu genetskog materijala od jednog, a
polovinu od drugog roditelja. Meutim, priroda nema toliko prost sistem nasleivanja
genetskog materijala, ve se nove individue vie razlikuju, jer postoji nekoliko procesa koji
prave odstupanja i varijacije u sadraju genetskog materijala. Parovi hromozoma se
razdvajaju i jedan hromozom postaje deo genetskog materijala potomka, ali postoji
mogunost da parovi hromozoma roditelja meusobno izmeaju gene i tako promene
njihov redosled, pa prinova dobija hromozom koji je meavina dve sekvence gena iz
roditeljskog para hromozoma. Postoje i mutacije gena, pri kojima geni spontano menjaju
svoju formu, koje se mogu dogoditi i kod polnih hromozoma, a prenose se na potomka.
Ovakvi procesi ine da svako novo bie bude u velikoj meri jedinstveno, a ne potpuna
kopija roditelja i njihovog genotipa.
Vremenom se odvija proces evolucije, i on predstavlja tendenciju prirode da se
uspeniji organizmi i vrste vie reprodukuju od onih manje uspenih. Uspeni organizmi su
oni koji se mogu razmnoavati, preiveti do puberteta i odbraniti potomstvo. Varijanta ili
mutirana forma gena naziva se alela. Alele uspenih individua ire se, procesom evolucije,
po populaciji vrste na raun konkurentskih gena. Dakle, mutacije gena mogu se pokazati
kao veoma uspene, pa ih populacija vremenom preuzima, ali ee su neuspene i nestaju,
jer nosioci ovih gena ne mogu da preive do reprodukcije [19].
- 37 -
Nikola Kneevi
5.4.2.2 Vetaka genetika
Genetika vetake inteligencije pokuava da simulra proces evolucije, pravei

prirodnu selekciju i ukrtanje sa sluajnim ishodima i mutacijama nad algoritmima ili
parametrima. Nasleivanje, ukrtanje i mutacije jesu sastavni deo ovih tehnika [26].
Korienje ovih tehnika bi trebalo da znai da agenti u igri ue kroz iskustvo.
Kada bi cela igra bila bazirana na njima, ona ne bi imala nikakvu predefinisanu
vetaku inteligenciju. Agenti bi, kroz igru sa igraima, razvili sopstvenu pamet. Ovo,
meutim, znai da kreatori vetake inteligencije nemaju kontrolu nad agentima, pa ne
mogu testirati i popraviti ono to ne valja u postupcima vetake inteligencije. Zbog toga
se ovaj, na izgled, idealan sistem praktino i ne koristi toliko esto. Igra bi esto bila
neigriva, usled nemogunosti kreatora da popravi neto to je vetaka inteligencija
pogreno nauila. Meutim, kada se koriste za specifine ue probleme od celokupne
vetake inteligencije, ove tehnike mogu doneti nepredvidiva poboljanja u igri, koja teraju
ljudskog igraa da stalno menja svoje taktike u toku igre, kako bi nadigrao vetaku
inteligenciju koja ui iz svojih greaka. Nepredvidivost ovih tehnika je razlog zato se one
umnogome ne koriste, iako dananje maine imaju kapaciteta da ih podre. Ako izbacite
proizvod koji nije dovoljno testiran i ne radi kako je zamiljeno, jasno je kako e se to
odraziti na kritike i prodaju.
Genetski algoritmi imaju bazu elementarnih strategija i od njih nastaje veliki broj
moguih reenja za neki nelinearan problem. Kada algoritam oceni kako su se reenja
pokazala, on polako pravi selekciju najboljih, sve do dostizanja zadovoljavajueg nastupa
agenata kroz nekoliko generacija [19]. Proces evolucije se moe primeniti na individualnog
agenta, grupu agenata, ili ak na celokupnu populaciju i svet igre, kao kod koncepta
vetakog zivota. Za razliku od genetskog algoritma koji trai najbolje reenje za neki
problem, genetsko programiranje menja sam algoritam da bi bio kompatibilan sa
problemom, poveavajui njegovu efikasnost [3].
Genetski algoritmi inspirisani su prirodnom genetikom, a ukratko bi se njihov rad
mogao opisati u nekoliko osnovnih koraka. Prvo se pravi populacija sluajnih vetakih
organizama, koja predstavlja prvu generaciju. Populacija se testira na postavljenom
problemu i rangira prema postignutim rezultatima. Proces se stopira ako se postigne eljeni
rezultat kreatora. Najbolji organizmi biraju se i spajaju, uz zamenu i mutaciju. Nekoliko
novih sluajnih organizama ubacuje se da bi se uspostavile nove varijacije, a zatim se
iznova testira na postavljeni problem.
Dok prirodna evolucija obuhvata vrste kao relevantne uzorke, vetaka
kompjuterska evolucija moe se primeniti na vie obuhvatnih jedinica. Ako se vetaka
evolucija bavi individuom, ona pokuava da je osposobi do perfektnog nivoa i da je, zatim,
klonira koliko god puta je potrebno. Mogue je fokusirati se i na veu populaciju, koja
zajednikim delovanjem daje bolje rezultate od klonirane individue, zbog specifinih
zadataka koje u okviru populacije vre pojedinci i njihovog udruivanja da bi se dosegao
eljeni rezultat. Ekosistem se, takoe, moe podvrgnuti evoluciji, sa ciljem da se jedinke
unapreuju saradnjom, ali i konkurencijom i eljom za opstanak. U prirodi se esto moe
videti da su sa napretkom oruja predatora napredovali i odbrambeni mehanizmi plena.
esto se itav genotip vetake evolucije predstavlja kao jedan hromozom. Implementacija
se vri na razliite naine, zavisno od potrebe. Geni se mogu predstaviti kao sekvenca
- 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
razmiljanja, a ne da igra protiv nepobedivih agenata. Balansiranje nivoa teine mogue je

postii prioritetizovanjem zanimljivih ponaanja u odnosu na ona efikasna. U svakom
sluaju, kreatori mogu direktno uticati na to koja ponaanja treba spremiti za proces
rekombinacije, to je kontrolisani proces, ali mnogo sporiji nego to to moe sistem sam da
uradi.
Rekombinacija daje mogunost genetskim algoritmima i genetskom programiranju
da prave varijacije u ponaanjima. Dobar nain da se izbegne pojava neeljenih ponaanja
je da se kombinuju to vei delovi ablona. Kretanje jednog agenta sa ofanzivom drugog
bio bi vei deo, a to sitnije delimo ponaanja, varijacije su vee, ali je ansa da se pojavi
neeljeno ponaanje takoe vea [3].
U prirodnoj mutaciji sve je stvar sluaja. Kada, gde i u kojoj meri e se ona
dogoditi ne moe se kontrolisati. Njen digitalni pandan, meutim, moe biti kontrolisan.
Kreatori mogu da menjaju vrednosti genetskog materijala da bi stvorili nova ponaanja, ali
i da bi izbegli nepoeljna. Mutacija se moe obavljati uspeno pre svega na niim nivoima
ponaanja, jer se tako moe izbei mogui kolaps celog sistema, a istovremeno postii fino
podeavanje.
Ukoliko se okrenemo prirodnim reenjima, odnosno ostavimo mutaciju da sama
funkcionie bez direktiva kreatora, rezultati su nepredvidivi kao i u prirodi. Veina
mutacija najverovatnije bi zavrila pojavom neeljenih ponaanja, ali moda bi se pojavila
i ona za koju kreatori ne bi imali ideju [3].
5.4.3 Obuavanje sa pojaavanjem (reinforcement learning)
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
Agenti vetake inteligencije mogu da ue iz neijeg ponaanja, odnosno iz

sopstvenih akcija ili kroz posmatranje tuih, pa ak i akcija samog igraa. Za ovako neto
agenti moraju biti sposobni da prepoznaju ablone, zatim da poseduju mehanizme
pojaavanja da bi selektivno uvali ablone, zavisno od njihove uspenosti i, na kraju,
moraju imati meru uspeha ili neuspeha. Performanse agenata mogu se znatno poboljati
obuavanjem sa pojaavanjem, a da oni ne promene sutinu svog vetakog bia, odnosno
karakter ili stil svojih ponaanja.
Posmatrajui igrae u akcionim ili stratekim igrama, agenti mogu nauiti njihove
strategije i upotrebiti ih protiv igraa. Ovo se najee radi u fazi testiranja igre, da bi se
mogle otkloniti greke, loije strategije i manje uspena ponaanja. Ako se dizajneri, pak,
odlue za implementaciju u zavrni proizvod, onda se mogu oekivati veoma interesantne
promene balansa, ali postoji i rizik od loih lekcija.
Obuavanje sa pojaavanjem spada u tehnike koje nisu preteke za implementaciju.
Moe se koristiti uspeno u simbiozi sa drugim tehnikama vetake inteligencije. esto se
kreatori odluuju za manuelno reavanje situacija, koje moe dobro da poslui, ali
pojavljuju se problemi kada dou varijacije u stilovima igraa, pa se reenje moe nai u
obuavanju sa pojaavanjem i uenju u toku same igre, sa evaluacijom uinjenog.
Postoje razni algoritmi kojima se moe postii obuavanje sa pojaavanjem, a zbog
svojih karakteristika i ne toliko kompleksne implementacije izdvaja se Q-learning
algoritam. Q-learning tretira svet igre kao mainu stanja. Uzima se u obzir interno stanje
karaktera i njegovog okruenja. Svaki podatak moe kasnije odrediti ponaanje i pomoi u
donoenju odluke, dok ostali parametri nemaju znaaj za uenje. Bilo koje stanje u igri
koje se moe brojno izraziti moe se imati u vidu, jer sam algoritam ne posmatra stanja kao
takva, ve kao brojne vrednosti. Za svako stanje algoritam mora da zna koje su mu akcije
na raspolaganju, jer u kompleksnijim igrama nisu uvek sve akcije na raspolaganju
agentima u datom momentu i na datoj lokaciji. Agent ne moe pritisnuti dugme ako ga u
prostoriji nema, a ne moe ni da puca ako nema ime da puca ili nema municiju. Kada
agenti izvre akciju, funkcija pojaavanja daje povratnu informaciju koja moe biti
pozitivna, negativna, ili esto neodluna. Algoritam poseduje informacije o skoro svakoj
moguoj akciji za neko stanje. Zatim evaluira akciju i daje povratnu informaciju o uspehu
akcije i stanju u koje se prelazi.
Q-learning je ime nastalo iz vrednosti koje algoritam uva za svaku izvedenu
akciju, a koja se naziva Q-value. Ta vrednost predstavlja most izmeu trenutne vrednosti i
nove vrednosti, koja kombinuje podsticanje akcije i kvalitet stanja do koga je akcija
dovela. Algoritam e za trenutno stanje odabrati akciju koja ima najveu vrednost. Posle
evaluacije te akcije, njena vrednost se usklauje sa rezultatima povratnih informacija. Da
bi algoritam ispitao sve mogue akcije sa svim moguim stanjima, potrebno je podesiti
njegove parametre da se akcije biraju sluajno. U samoj igri to je moda i loe, ali dok se
igra pravi, nije obavezno da se uvek koristi jedna akcija koja ima veliku vrednost, ve se
probaju i sve ostale. Ako nita drugo ne proizilazi iz novih akcija, makar e one sline
uspenoj najverovatnije biti uspene. Naravno da njihovo dalje korienje moe pomoi
varijaciji u ponaanjima.
- 42 -
Nikola Kneevi
5.4.3.1 Ponderisano prolo rezonovanje (weighted historical reasoning)
Algoritam ima mogunost da trenira sistem koristei pojaavanje. Iako korienje

ovog algoritma moda i nije dovoljno da bismo govorili o uenju u pravom smislu te rei,
on ne zahteva resurse, pa je samim tim dobra pomo u korienju starih reenja da bismo
reili nove probleme. Ovaj algoritam daje mogunost da se utie na rezultat odluke,
uzimajui u obzir evaluacije prethodnih odluka. On sam, ipak, nije dovoljan da reava
potpuno nove probleme, ali je osnova obuavanja sa pojaavanjem.
Njegova funkcija je reavanje problema poput lavirinta. Ako postoji mali broj
opcija, poput levo ili desno, da ili ne, algoritam isprobava opciju, testira je na uspenost i
obeleava odluku kao dobru ili lou. Ako je loa, vraa se na mesto odluke i bira drugu
opciju. to je manji prostor za odluivanje, to je vea efikasnost algoritma, jer svaka nova
pozicija za odluivanje poveava potrebu za resursima.
Na bazni algoritam dodajemo evaluaciju, odnosno procenu ishoda neke odluke,
koja moe biti dodatno podeavana. Mapiranjem odluka i pravljenjem matrica dolazimo do
sistema kome menjamo vrednosti, jednu po jednu, da bismo videli kako to utie na finalni
ishod. Ako utie loe, vraamo stare vrednosti, a ako se pokae dobro, nadograujemo
matricu dok ne postane stabilna [3].
5.4.4 Snimanje ponaanja (behavior capture)
Poput animatora koji se oslanjaju na snimanje pokreta (motion capture) tehnologiju

kako bi doprineli realistinosti svojih animacija, kreatori vetake inteligencije imaju
snimanje ponaanja, koje bi trebalo da doprinese realistinijem ponaanju agenata.
Ponaanja se mogu imitirati ili kopirati. Sami agenti ue od igraa koji igra igru, koristei
njegove poteze. Mogue je kopirati tragove koje ostavlja igraki kontroler, pa tako imitirati
poteze, ali bi se mogla iskoristiti i ponaanja iz stvarnog sveta, recimo profesionalnih
sportista [11]. U budunosti bi se vetaka inteligencija umnogome mogla zasnivati na
snimanju ponaanja ljudi. Ipak, jedan sistem koji bi tako neto mogao da uradi nije lako
napraviti, i moda bi svim kreatorima zapravo dobro doao univerzalni sistem koji je
spreman za korienje u raznim varijantama. Ovde su mogunosti za uenje razne: iz
posmatranja drugih agenata, iz demonstracije koju prave eksperti za igru kada ona postane
igriva i imitacijom njihovih ponaanja, a i kloniranjem ponaanja. Uspeno implementirano
snimanje ponaanja trebalo bi da omogui dizajnerima igre da uestvuju direktno u
stvaranju vetake inteligencije, bez stalnog uplitanja programera, a dobro bi se odrazilo i
na finansijske trokove kreiranja, ali i utroak vremena.
Dizajneri i eksperti za igru mogu se udruiti i kreirati vetaku inteligenciju iji
agenti imaju sopstvene stilove ponaanja i tako poveati varijacije. Na niem nivou
ponaanja snimaju se kretnje i odluke se donose nekoliko puta u sekundi, a na viim
nivoima agenti planiraju, analiziraju i prave strategije na osnovu demonstracija. Razne su
mogunosti ovakvog sistema, pa tako i igrai mogu praviti vetaku inteligenciju. Moda
bi mogli da treniraju svog vetakog saveznika za budue okraje. Stvoreni agenti bi u
svojim ponaanjima morali da lie na ljude, a kao i ljudi, imali bi varijacije i stilove.
Adaptabilnost bi, takoe, mogla da se trenira [11].
- 43 -
Nikola Kneevi
Kao i veina tehnika vetake inteligencije i ova se moe koristiti u skladnoj

zajednici sa drugim tehnikama, poput maina sa konanim stanjima ili skriptovanih
sekvenci. Najvanije je, ipak, da se dizajnerima obezbede veoma moni alati, kako bi oni
mogli da kontroliu ponaanja. Razlog za ovo je to bi se tako mogao izbei veliki broj
problema karakteristinih za mainsko uenje u igrama. U uenju se uvek postavlja
problem balansa izmeu kontrole nad ponaanjima i njihovih varijacija. Osim toga, postoje
ponaanja koja treba ukloniti, jer nisu poeljna, ili neka koja treba dodati, jer oigledno
fale. Kreatori bi trebalo da obezbede i alternativna ponaanja za sline situacije, da bi se
unela nepredvidivost i varijacija. Treniranje agenata moe se pokazati previe jakim ili
slabim, to znai da dizajnerima, dakle, treba omoguiti da menjaju gotovo sve parametre.
Agenti u igrivom okruenju mogu imati nekoliko modova, kao to su oni gde ih
vodi igra, vetaka inteligencija ili gde treniraju. Kada treniraju, igra, dizajner ili ekspert
igra igru, a vetaka inteligencija pamti njegove poteze i mapira njegova ponaanja. U
odnosu na sistem pravila, agent bira ponaanje za datu situaciju. Ako vie ponaanja
ispunjava pravilo, vetaka inteligencija e istraiti koje je najbolje. Pravila po kojima
agenti postupaju i biraju ponaanja se ue, ili treniraju pre nego to agenta krene da vodi
vetaka inteligencija [5].
Najvea prednost snimanja ponaanja je u tome to ono moe zameniti mnogo
programiranja, a dizajnerima dati vee mogunosti da sami naprave agente kakvi im
odgovaraju. Uopteno, kada posmatramo uenje u vetakoj inteligenciji, reklo bi se da
njegova dobra implementacija menja mnogo programerskog kda i preputa samim
agentima da se unapreuju. S obzirom na revoluciju koju je u animiranju prirodnih pokreta
napravilo snimanje pokreta, jasno je koliko je veliki potencijal snimanja ponaanja za
vetaku inteligenciju u igrama [5].
5.4.5 Prepoznavanje ablona (pattern recognition)
Prepoznavanje ablona predstavlja jednostavan vid uenja kod ljudi. U igrama se

ovaj metod moe koristiti na nekoliko naina. Predvianje je bitno za agente vetake
inteligencije, da bi vie liili na igrae koji ga gotovo stalno koriste.
Predikcija sekvenci je nain na koji se prepoznavanje ablona moe iskoristiti za
predvianje. Ona daje agentima mogunost da budu svesni ablona koje ljudi lako
prepoznaju. Veoma je vano da se vetakoj inteligenciji da mogunost da napravi izbor
kakav bi ljudi napravili, kada se nae pred nekoliko jednako moguih buduih situacija, da
bi ona tako mogla vie da lii na igrae i da im bude vea konkurencija ili pomo.
Najvaniji zadatak pre same predikcije jeste skupljanje ablona i presudnih
dogaaja u sekvenci podataka. Kod ablona je bitno da se ponavljaju, kako bi bili validni
za sprovoenje predikcije. Samo predvianje situacija jeste sastavni deo igre, ali treba
imati u vidu da agenti ne bi trebalo uvek da se slue predikcijom i da rizikuju svoj sledei
potez na osnovu nje, jer to ne bi ni igrai uradili svaki put. Ova injenica nam moe
posluiti da dodatno personalizujemo agente i istaknemo njihove karaktere.
- 44 -
Nikola Kneevi
Sekvence se sastoje iz elemenata, najee integer-a, a skup svih elemenata je

alphabet. Naslednik sekvence bitan je za frekvenciju, a agent e smatrati da je to element
sa najveom verovatnoom da bude sledei element u sekvenci. Sekvence generie sama
igra, a u sekvenci se mogu nai abloni koje prepoznajemo. Mogue je da ablona ni ne
bude u sekvenci, a tada je predvianje manje ili vie proizvoljno [22].
Da bismo prepoznali ablone moramo na neki nain uporediti elemente sekvence
koju generie igra. Za tako neto mogue je koristiti statistiki model, ali i uporeivanje
stringova. Uporeivanje stringova funkcionie tako to traimo u sekvenci podstringove
koji se slau, ili makar delove koji se slau, tako da bi element naslednik trebalo da bude
ponovljen. Rep sekvence je onaj deo kome traimo ekvivalent, kako bi u sekvenci nali
odgovarajui niz elemenata koji je isti kao krajnji niz u sekvenci. Kada se nae niz koji
odgovara, bilo da su to dva ili vie elemenata, onda se posmatra ta ide posle zadnjeg
elementa u pronaenom i ekvivalentnom nizu u sekvenci, koji odgovara poslednjem
elementu cele sekvence. Pretpostavka je da e taj naredni element opet nastaviti niz [22].
Da bi sekvencijalna predikcija mogla da funkcionie potrebna joj je sekvenca koja
se generie iz same igre. Kada primetimo ponaanja koja se ponavljaju, treba ih obeleiti i
generisati sekvence. U samoj igri to e doneti nekoliko prednosti za agente. Ukoliko
predvide potez igraa, mogue je da e u potpunosti osujetiti njegove namere, a i da ne
predvide ono to e igra uraditi, zadatak je ispunjen, jer se i tako ponaaju realno. Osim
toga, glavna prednost predvianja poteza na osnovu ablona je to to igrai nee nai jedan
plan akcija koji im daje mogunost da unite agente vetake inteligencije. Svaki takav
ablon u igraevom ponaanju agenti e predvideti i odgovorie na vreme. Ova tehnika
dobra je za igre koje podrazumevaju akcije i kontra-akcije, odnosno igre u kojima svaka
akcija moe da se sprei nekom drugom.
Koliko je predikcija uspena zavisi od sluaja, ali verovatnoa da ona bude uspena
raste sa brojem elemenata podstringa, koji su ekvivalentni sa zadnjim nizom u sekvenci.
to je dui ponavljajui string, to je vea ansa da predvianje bude dobro. Kada se abloni
ne poklapaju, ili nizovi elemenata koji se poklapaju nisu dovoljno dugi, reenje e, osim
onda kada logika igre to spreava, biti sluajno biranje, ili predikcija bez pratee logike.
Tehnika predikcije moe se dodatno unaprediti uzimanjem u obzir svih stringova koji se
poklapaju, jer ih moe biti vie u jednoj sekvenci. Tada se moe koristiti distribucija
verovatnoe da bi se dolo do vrednosti predikcije [22].
5.4.6 Uenje jezika (language learning)
Neutralni karakteri u igrama esto imaju funkciju da vre interakciju sa igraem.

Ovi karakteri najee su u funkciji balansa akcije u toku igranja. Da bi se igrai odmorili
od akcije, dizajneri igre im prave pauze u akciji, koje bi posluile za odmor od napetosti,
ali i za predstavljanje prie koja ima za cilj da da smisao akciji u igri. Da bi pria bila
zanimljiva, ona se esto prezentuje sa karakterima koji su uraeni pod uticajem filmskih
karaktera. Ipak, oni najee daju predefinisane odgovore na pitanja, priaju ranije
ustanovljene prie i pokazuju ponaanja koja su dizajneri ranije odredili za njih. Oni su,
dakle, skriptovani karakteri, od ponaanja pa do toga ta imaju da kau.
- 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.
5.5 Problemi primene mainskog uenja u video igrama
Vetaka inteligencija u igrama kaska za akademskom vetakom inteligencijom na

svim poljima, ali posebno u uenju. Postoji nekoliko kljunih razloga za to. U periodu kada
su kreatori shvatili znaaj vetake inteligencije za pravljenje uspenih igara, bilo je mnogo
pokuaja da se u igre uvedu karakteri koji ue. Meutim, neretko su ovi pokuaji rezultirali
igrama koje su neigrive, ili karakterima koji ue pogreno, odnosno ne ue uopte.
Vetaka inteligencija koja ui od ljudskog igraa bi nauila i mnoge loe lekcije.
Igra koji nije dovoljno dobar, uinio bi i karaktere vetake inteligencije slabo
inteligentnim. Njegove greke ispoljavale bi se kod kompjuterskih karaktera. Tehnike
uenja imaju teak problem kod evaluacije rezultata nauenog. Potrebno je imati karaktere
- 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
Da bi vetaka inteligencija mogla da ui, ona mora da dobija informacije na

osnovu kojih ojaava svoje sposobnosti. Kada se donoenje odluka vri prema pristiglim
podacima, potrebno je imati neku vrstu povratnih podataka o rezultatima uinjenog.
Karakteri u igrama mogu da koriste informacije iz sveta igre podsredstvom svojih
vetakih ula. Kada se uzmu u obzir svi relevantni podaci za neku odluku ili njenu
vremensku odrednicu, kao to su brzina ili udaljenost, moe se doneti odluka iji se
rezultat kasnije evaluira i postaje odrednica za budue ponaanje karaktera.
5.7 Osobenosti mainskog uenja u razliitim anrovima video igara
Sa dizajnerske take gledita, uenje moe imati mnogo zanimljivih uloga u

realizovanju ideja dizajnera jedne igre. Uenje se ve pokazalo kao koristan dodatak
vetakoj inteligenciji u nekim igrakim anrovima, a u nekim igrama primetno je da se
ono moe pravilno implementirati i biti od kljunog znaaja za igrivost i opti utisak o igri.
Uenje se ve pokazalo korisnim u stvaranju vetake inteligencije za trkake
simulacije. Koriene su neuronske mree, kako bi posmatranjem igraeve vonje i agenti
nauili da voze po stazi, naravno uz ogromno vreme uloeno u treniranje agenata od strane
kreatora.
U sportskim simulacijama se strategija, planiranje i uenje prepliu, a izazov
igraima prua se korienjem uenja akcija ili usklaivanjem parametara. abloni se
mogu koristiti na niim nivoima kao odgovor na igraeve akcije na sportskom borilitu, a
na viim nivoima imamo strateko planiranje koje dodatno unapreuju tehnike uenja. Na
- 48 -
Nikola Kneevi
nivou individualnih agenata moemo videti da njihovo ponaanje moe da varira i da ne

bude u skladu sa timskim, tako da je njihova vetaka inteligencija prilagodljiva situaciji.
Tehnike uenja, kao komplikovaniji vid vetake inteligencije, sigurno najbolje
funkcioniu u igrama ija je vetaka inteligencija ona koja definie kontekst igre. Tada je
sve podreeno funkcionisanju vetake inteligencije, a uenje je istaknuto u prvi plan.
Igrai imaju priliku da budu uitelji agentima, u igrama poput Creatures i Black & White.
Agenti imaju svoje mehanizme uenja, koji ue akcije koje vide od drugih karaktera ili od
igraa i dobijaju povratne informacije od igraa, koje mogu biti pozitivne i negativne.
Agent e ponoviti akciju u slinoj situaciji ako je povratna informacija pozitivna. Akcije
koje agent vidi kombinacija su razliitih podataka koje on kopira u svom ponaanju.
Akciju moe initi ona sama (utni), objekat akcije (lopta) i indirektni objekat akcije (gol)
u osnovnoj formi, mada kombinacije mogu biti i kompleksnije. Agenti moraju uzeti u obzir
vreme i mesto uenja, odnosno stanje sveta igre, da se ne bi dogodilo da ue neto to nije
pametno u datim okolnostima. Tu im pomau razliiti parametri koji prate njihovo stanje i
stanje sveta igre, na osnovu kojih oni zakljuuju da li je dobar trenutak da se ui neka nova
lekcija.
Do sada se nekoliko tehnika dobro pokazalo u igrama koje se baziraju na vetakoj
inteligenciji. Neuronske mree za ulazne informacije uzimaju interne parametre agenta, ali
i informacije o kontekstu iz sveta igre. Izlazne informacije tiu se akcije koja se bira i
objekta te akcije, kao i eventualnog indirektnog objekta. Uenje iz posmatranja drugih
karaktera i igraa, kao i njihovih akcija nailazi na problem internih potreba agenta koji
posmatra tue akcije, jer on nema iste potrebe kao posmatrani karakteri. Problem se
prevazilazi tako to se vie posmatra ono to igra radi, jer on poznaje stanje agenta koji
posmatra, pa je pretpostavka da e mu pokazati tano ta treba da uradi u takvom stanju. U
sluaju da se posmatraju neki drugi karakteri, u obzir se samo uzima njihovo trenutno
stanje. Uenje na osnovu povratnih informacija od strane igraa uspeno se moe koristiti,
samo se mora imati u vidu da agenti moraju da razumeju koja akcija dobija povratnu
informaciju. Ako ih je vie u kratkom vremenskom periodu, sekvence akcija e se
evaluirati, pa bi vremenom trebalo da se iskristalie koja je akcija bila dobra. Kada igrai
ue agenta, a on naui pogrenu lekciju, esto se moe dogoditi da greka bude fatalna za
agenta. Za osnovne ivotne funkcije agenta koriste se uroena ponaanja ili instinkti, jer on
mora da spava, jede, bez obzira na to to je od igraa pogreno nauio da to ne treba da
radi. Igrai esto misle da su zabranili agentu da spava na odreenom mestu, a on to shvati,
posle nekoliko slinih sluajeva, kao zabranu spavanja uopte. Uroena ponaanja postaju
ea ako igra da povratnu informaciju agentu da je dobro to to je uradio.
Komercijalno najuspeniji anrovi igara, poput akcionih ili stratekih igara, esto
stavljaju akcenat na nadmetanje ljudi meusobno, ali je vetaka inteligencija prisutna da
zameni prave igrae kada je to potrebno. Ako se pravilno adaptira na igraevu taktiku, ona
moe postati veoma opasan protivnik ak i solidnim igraima. Ako je vetaka
inteligencija trenirana uz pomo eksperata za igru, ona u startu moe da naui ekspertske
poteze ili taktike.
A-life igre, koje su bazirane na imitaciji stvarnog ivota, imaju veliku potrebu za
tehnikama adaptiranja, da bi to realnije prikazale karaktere u igri. Takvi karakteri esto
imaju ulogu da se ponaaju kao pravi ljudi ili ivotinje.
- 49 -
Nikola Kneevi
5.8 Zakljuci o mainskom uenju u video igrama
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
6. Vetaka inteligencija u video igrama kroz istoriju
Sedamdesetih godina prolog veka dolazi do pojave prvih igara sa prividom

inteligencije. U igri Pong (Atari, 1972.) jednu palicu kontrolie igra, odbijajui lopticu sa
ciljem da se nae iza suparnike palice da bi osvojio poen. Suparniku palicu kontrolie
kompjuter i on bi samo pratio lopticu koju bi igra, pod odreenim uglom, odbio na
njegovu stranu. To znai da nekog ozbiljnijeg privida inteligencije nije ni bilo, sve do
pojave igre Pac-Man (Namco, 1979.), u kojoj se moglo uoiti da su kompjuterski
kontrolisani protivnici ravnopravniji u odnosu na igrae. Oni su imali nepredvidive
putanje, znali su da jure igraa, a kada je trebalo da bee, birali bi sluajne putanje, to je
svaku partiju inilo nepredvidivom. ak se mogao stei utisak da protivnici rade zajedno u
kooperaciji. Ova igra koristi mainu sa konanim stanjima [4]. Duhovi koje je kontrolisala
vetaka inteligencija bi se, zavisno od situacije, nalazili u stanju potere za igraem, ili
beanja od njega, usled ega bi menjali svoje ponaanje. Iako prost, ovaj koncept je davao
dovoljno izazova igraima, pa je ova igra bila veoma uspena.
Upravo iz tog razloga se do sredine devedesetih godina nita posebno nije ni
menjalo kada je u pitanju vetaka inteligencija u igrama. Veina igara je imala veoma
sline agente vetake inteligencije duhovima iz Pac-Man-a. Neka sitna poboljanja su se
ipak povremeno dogaala. U igri Golden Axe (Sega, 1989.) kompjuterski kontrolisani
karakteri bi mirno stajali, ili delujui nervozno, etali napred nazad po 2D prostoru sve
do pojave igraevog karaktera, kada bi preli u stanje napada. Iako je ovo veoma slino
korienje maine sa konanim stanjima kao kod duhova iz Pac-Man-a, novina postoji, jer
je kompjuterski kontrolisani karakter mogao da projuri pored igraa i da ga napadne sa
lea. Moemo primetiti, uzimajui u obzir ovaj ili sline primere, da vetakoj inteligenciji
nije pridavan neki vei znaaj. Devedesetih godina vetaka inteligencija naglo dobija na
znaaju i poinje da ima veliki uticaj na prodaju igara. Osim stvarnog napretka koji je tada
poeo, bilo je i sluajeva da kompanije lano prikazuju da njihove igre donose novine u
ovom segmentu, samo da bi se igra bolje prodala [4]. A-life (vetaki ivot) poinje da
ispoljava svoj potencijal sa igrom SimCity (Maxis, 1989.) [26].
Veliku panju u ovom periodu izazivaju strategije u realnom vremenu (RTS).
Warcraft (Blizzard, 1994.) je jedna od prvih igara koja koristi patfajnding (eng.
Pathfinding, pronalaenje puta na mapi izmeu raznih prepreka prilikom kretanja od jedne
do druge take). Ova tehnika postaje jako znaajna za budua ostvarenja. Kompjuterski
kontrolisani karakteri bi do odredita pokuavali da stignu najbrim moguim putem, a ovi
rani pokuaji da se to ostvari su bili veoma solidni. Iz dananje perspektive, mnogi igrai bi
se ljutili na svoje jedinice u igri, ali u to vreme to se inilo fenomenalnim i bilo je
revolucionarno. Kasnije, drugi naslovi donose sve bolji patfajnding, a neke igre uvode i
novine. Tako igra Warhammer: Dark Omen (Mindscape, 1998.) eksperimentie sa
emocijama vojnika u toku bitke i uvodi kretanje agenata u formacijama po mapi [4].
Igra Goldeneye 007 (Rare, 1997.) donosi velike novine u vetakoj inteligenciji.
Njena vetaka inteligencija imala je veliki uticaj na poboljanje igrivosti. Igra jeste
koristila mainu sa konanim stanjima kao osnovu vetake inteligencije kompjuterski
kontrolisanih karaktera, ali uvodi simulaciju ula. Karakteri vetake inteligencije vre
interakcije meusobno i postaju svesni da je, primera radi, njihov saborac mrtav i reaguju
- 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
7. anrovska podela video igara i specifinosti vetake inteligencije

u razliitim anrovima
Igre meusobno mogu veoma da se razlikuju po svim karakteristikama, ali i da

budu veoma sline. Dok je jedina veza izmeu nekih igara samo to to su video igre, druge
dele mnogo istih ili veoma slinih elemenata u svojoj igrivosti. Da bi razumeli kakav uticaj
ovo ima na vetaku inteligenciju, vratimo se na to da njen sistem slui za reavanje
problema. Pred kreatore slinih igara se postavljaju slini problemi. Najlake se podela
igara pravi prema anrovima. Tokom vremena se iskristalisalo mnogo anrova igara, jer su
kreatori esto koristili oprobane formule za koje se zna da se dopadaju igraima, esto
menjajui samo estetiku i pratee pojave u igri, poput prie, karaktera... Neke igre su ak
poznate kao klonovi, jer potpuno preuzimaju ideju neke uspene igre.
anrovska podela je ipak veoma labava podela, jer se posebno poslednjih godina
prave igre koje su velika meavina osnovnih elemenata raznih anrova. To se dogaa zbog
potrebe za originalnou, da bi igra nala svoje fanove i trite. Ipak, problemi za reavanje
i tehnike koje se koriste da bi vetaka inteligencija bila funkcionalna se mogu posmatrati
kroz anrovsku podelu.
7.1 Video igre na tabli i potezne strategije
U dananje vreme vetaka inteligencija u igrama na tabli moe da se nosi sa

najboljim igraima. Njen izazov je nekada samo podeavanje svoje inteligencije raznim
nivoima teine, koje igrai prema sebi mogu da izaberu. U poteznim igrama, kakve su igre
na tabli, najei pristup vetakoj inteligenciji je korienje stabala igre, odnosno
pretraivaa stabala poteza.
Igre u realnom vremenu nemaju mogunost da koriste sline algoritme kao igre na
tabli, a moglo bi se rei da su ti algoritmi specifino dizajnirani za odreenu igru. Igre
poput aha, reversa ili mice su igre koje imaju poznate poteze od poetka do kraja, a igraju
se u dva igraa. Najbolji algoritmi su napravljeni upravo za ovakve sluajeve, jer je
konaan broj situacija poznat. Meutim, veina poteznih strategija nema potpuno poznate
poteze. Igra Backgammon ima element sluajnosti, jer mogui potezi zavise od sluajnosti.
Takoe se moe rei da kod igara sa vie od dva igraa, kompjuterska vetaka
inteligencija mora da bude svesna da je nekada dobro da neki od suparnika ne gubi, kako
bi se porazio onaj najjai na tabli. Dakle, standardni algoritmi se moraju modifikovati da bi
dali rezultat kod ovakvih sluajeva.
Stablo igre se moe meriti po svojoj razgranatosti, ali i dubini. Igre koje imaju
razgranatije stablo su tee za vetaku inteligenciju nego one sa dubljim stablom. Stablo,
takoe, moe da se deli ili spaja, a to se dogaa kada se do iste postavke moe doi na
razliite naine, ili kada se situacija vrati na onu koja je ve bila. U igri iks oks to nije
sluaj, ali je mogue u ahu [4].
- 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].
7.2 Simulacije vonje i trkake simulacije
Vetaka inteligencija vozaa u igrama ima nekoliko interesantnih specifinih

zadataka. Ponimo od staze i naina na koji vetaka inteligencija vidi gde treba da ide. U
tipinoj trkakoj simulaciji nekoliko vozaa koje kontrolie vetaka inteligencija
pokuava da stigne do cija. Staza se za njih deli u sektore, a oni vre proveru da vide u kom
se sektoru nalaze. Kada bi proveru vrili sa svim sektorima to bi se loe odrazilo na
performanse igre, pa se koristi provera vezana za zadnji sektor u kome se nalazila vetaka
inteligencija, prethodni i sledei. Sektori imaju granice koji odgovaraju granicama na stazi
i u njih se ukljuuju putanje za kompjuterski kontrolisane vozae [7].
Na poetku razvoja vetake inteligencije za simulacije vonje najvie su se
koristile linije koje kreator iscrta na samoj stazi, a koje voza slepo prati, vozei se
optimalnom brzinom, koja se mogla odrediti za svaki deo linije posebno. Takve linije su
funkcionisale vrlo slino prugama po kojima idu vozovi, tako da od upravljanja vozilom
nije bilo nita. Ali, ukoliko bi se drugo vozilo nalo ispred, npr. igraevo vozilo, vetaka
- 55 -
Nikola Kneevi
inteligencija ne bi menjala svoju linijsku putanju, pa bi dolazilo do bizarnih sudara. Onda

bi vetaka inteligencija imala zadatak da se vrati na svoju linijsku putanju. To je jedino
upravljanje koje bi se zahtevalo od vetake inteligencije. Da bi stvari izgledale realnije,
uvedena je praksa sa dve linije, jedna je savrena putanja, a druga je putanja za preticanje
[4]. Dobar primer da vetaka inteligencija zavisi od ciljeva jesu automobili koji su
neutralna vozila u igri. Ako su vozai koje kontrolie vetaka inteligencija samo deo
realne situacije u nekoj gradskoj sredini, za njih bi i moderne igre imale prosto reenje u
vidu jedne linije koju prate. U modernijim naslovima ipak postoji vetaka inteligencija
koji se slui istom fizikom kao i ljudski igra. Takoe se koriste i nevidljive take koje juri
kompjuterski kontrolisani voza na stazi, a im bi stigao do jedne, pojavila bi se nova
ispred njega.
Da bi vetaka inteligencija bila uspena u trkakim simulacijama, potrebno je da
igra daje informacije o stazi [7]. Vetaka inteligencija e normalno birati najkrai put do
cilja, ali ako joj ne odgovara tip terena ili ako treba da obavi neki zadatak ona e ii drugim
putem. Takoe, tu su informacije o otrim krivinama, ili blokadama na ivicama kolovoza
poput drvea ili zidova, koje upuuju vetaku inteligenciju da dri distancu. Na nekim
delovima staze moe se postaviti vrednost koenja ili ubrzavanja kako bi se pomoglo
vozaima da optimalnim brzinama prou sektore. U trci postoje bri i sporiji delovi staza.
Vetaka inteligencija ima mogunost da gleda unapred da bi na vreme uoila otru
krivinu, ili sline pojave, i samim tim uskladila brzinu. Postoji algoritam prolaza koji se
koristi da sabere putanje kroz svaki naredni sektor do same krivine. Tako se na sporijim
deonicama moe posmatrati samo trenutni sektor, ali na brim se mora gledati unapred da
bi se na vreme reagovalo. Svako vozilo ima svoje performanse, pa se takoe kontrolie da
li je njegova stabilnost u redu, vre se korekcije i sl. Vozila se informiu o otrim
krivinama i putanjama koje treba da koriste da ih ne bi sekla, odnosno da bi ostala na
kolovozu.
U simulacijama vonje teina se najee menja sa mogunostima ljudskog igraa.
Ako je on slabiji, vetaka inteligencija e mu dati ansu da se nadmee, koei ranije u
krivinama, birajui iru putanju ili naprosto vozei sporije. Ukoliko u igrama ima oruja,
vetaka inteligencija e izbegavati da napadne igraa. Meutim, ako se igra pokae kao
dobar voza, onda vetaka inteligencija pribegava blagim adaptacijama brzine i tehnike da
bi se igrau pruio izazov. Vetaka inteligencija ima fiksiran vremenski korak koji ne
zavisi od broja frejmova, odnosno jaine maine na kojoj se igra. Razlog je taj to bi, sa
kanjenjem prouzrokovanim performansama, vetaka inteligencija kasnila i sa reakcijama,
pa bi rezultat bio veoma lo.
Vetaka inteligencija u simulacijama vonje se veoma bazira na mainama sa
konanim stanjima. Da bi kompjuterski kontrolisani vozai odgovorili na izazove trke, oni
moraju da se prilagoavaju trenutnim situacijama preko promena stanja. Stanja starta trke,
vonje, vraanja na stazu, sletanja na stazu i preticanja su neka od moguih stanja, a dobar
voza mora da reaguje na odgovarajui nain, koji je razliit za svako stanje. U mnogim
igrama, ljudski igrai su potpomognuti vetakom inteligencijom. Tako je u simulacijama
formule 1, ili simulacijama letenja. Takva vetaka inteligencija esto moe posluiti kao
baza za uenje realnih vozaa ili pilota (ako bi igra bila dovoljno realna, mogli bismo je
nazvati simulatorom, koji se inae koristi).
U mnogim igrama se istie karakter nekog vozaa. Time se doprinosi realnosti, jer
su vozai esto razliitih stilova i karakternih osobina. Tu se mogu ukljuiti modeli
- 56 -
Nikola Kneevi
ponaanja za vozae. Vozai se mogu razlikovati po agresivnosti, a mogu se nameriti na

igraa, pokuavajui da mu se osvete za prethodne situacije. Vozai, takoe, mogu biti
oprezni, to ne znai da igra ne mora dobro da odveze da bi ih pobedio. Za razliite
modele ponaanja moe biti zaduena razuena logika. Koristei parametre ponaanja
vozaa u igrama, moe se doi do razliitih voznih osobina. ak se mogu dodeliti
parametri pravih vozaa, kako bi realnost protivnika kontrolisanog vetakom
inteligencijom bila jo vea. Tako u igri Formula One Grand Prix 2 (Microprose, 1996.)
vestaka inteligencija oponaa prave vozae i njihove karakteristike [3].
Pokazalo se da je mogue da vozai koje kontrolie vetaka inteligencija ue, to
od igraa, to od drugih vozaa. Neuronske mree mogu da pomognu kod specifinih
situacija u toku trke, gde vozai ue kako da to bolje odreaguju, ali se mogu i od starta
implementirati, kao u igri Forza Motosport (Turn 10 Studios, 2005.) gde su vozai koje
kontrolie vetaka inteligencija trenirani due vreme pre nego to je igra zavrena, pa su
svoje nauene sposobnosti mogli kasnije da prikau igraima kao gotov proizvod [4].
Kreatori vetake inteligencije se bave i podeavanjima automobila, kako bi na svakoj stazi
bilo postignuto najbolje vreme. Za podeavanje parametara dobro moe da poslui genetski
algoritam.
Postoji nekoliko igara koje za svoje igrako okruenje imaju potpuno funkcionalnu
gradsku sredinu. U igrama poput Grand Theft Auto serijala ili Driver (Reflections
Interactive, 1999.) igra esto bei od nekog vozila ili juri neko vozilo. Ako igra juri,
najee voza kontrolisan vetakom inteligencijom bei predefinisanom putanjom, a u
suprotnom, koristi se jednostavni algoritam koji usmerava vozilo da se kree prema
lokaciji igraevog vozila. U poslednje vreme se u igre ukljuuje i patfajnding, kako bi se
do igraa dolo najboljim putem, kao i taktike varijante sa presretanjem igraa i
blokadama puta kojim e po proceni vetake inteligencije igra proi. ak se i vozila koja
prave zamku igrau kreu van njegovog vidokruga, kako ne bi odala svoje planove
presretanja [4].
Postoje igre koje koriste slinu mehaniku kao simulacije vonje, iako one to nisu.
Razne igre imaju trke koje nemaju vozila. Skijanje je dobar primer. Osim toga, simulacija
vonje skejta ili snouborda moe ukljuivati izvoenje trikova, a oni se zakazuju na
razliitim mestima na stazi, ili se donosi odluka koji trik bi u odnosu na brzinu i visinu
trebalo izvesti. Igre koje ukljuuju oruja i vonju daju novu dimenziju odluivanju.
Nekada e voza odluiti da ide duim putem da bi pokupio oruje, ili e pustiti vozilo da
ga pretekne da bi ga unitio sa lea, itd [4].
7.3 Platformske i avanturistike video igre
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.
7.4 Simulacije tue
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
Uenje od igraa e posluiti za nove poteze i za pronalaenje kontra poteza

kojima se moe odgovoriti igrau. Za uenje od igraa se moe koristiti prepoznavanje
ablona, ali i proste varijante neuronske mree mogu biti sasvim dovoljne ovde. Dodue,
neuronsku mreu i ekspert sisteme treba nauiti potezima i sekvencama jo pre nego to
igra dospe do borbe sa njihovim avatarima [3].
Maine sa konanim stanjima se mogu lepo iskoristiti kako bi se prikazale faze
neke borbe, koja nije jednolinog tipa sa konstantnim uslovima. Maine sa konanim
stanjima bi takoe trebale biti adaptabilne za razne tipove igraa. Zatim, mogu se
implementirati i varijante razuena logike za izbor najbolje sekvence poteza u datoj
situaciji. Ono to je vrlo bitno za vetaku inteligenciju su informacije iz sveta igre. Pod
tim se podrazumeva stanje okruenja, ali i karaktera. Ako u nekoj fazi borbe, protivnik
stoji oamuen, vetaka inteligencija bi trebala da bude obavetena o tom dogaaju kako
bi krenula odmah u nokaut akciju. Uz sve ove informacije, postoje i one vezane za
sekvencu poteza koje je igra odabrao.
Na sreu ili moda ne, vetaka inteligencija moe da zna ta je igra uradio i pre
nego to se to manifestuje na samom ekranu, pa moe da vara [3]. Da li je dobro kada je
igra ekspert kome treba izazov ili ne, to je diskutabilno, ali je sigurno da bi adaptabilna
vetaka inteligencija koja ui i raznovrsno igra bila bolja opcija od prostog varanja. To se
isto moe rei i za poveavanje snage protivnika, odnosno otpornosti ili brzine da bi se
stvorila prednost nad igraem.
7.5 Sportske simulacije
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
odluivanja su esto sistemi bazirani na pravilima. Za ponaanje individualnih sportista su

odgovorne maine sa konanim stanjima veoma raznovrsnih tranzicija [4].
7.6 Rol plejing video igre (RPG)
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.
7.7 Pucaine i akcione video igre
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
Posebno bitna je kontrola animacija agenata. Ona se u grafiki i tehnoloki

naprednim igrama, kakve su gotovo sve novije pucaine iz prvog lica, odnosi na svaki deo
tela. Posebne su animacije ruke, noge, lica Vetaka inteligencija animacije reava
konflikte u toku igre. Oni se javljaju kada se menja tema animacije. Ukoliko bi agent
mahao rukom, a igra zapucao na njega, on bi, naravno, odmah prestao da mae i dohvatio
bi oruje da uzvrati. Osim toga imamo i parametre koji utiu na animacije, pa e se tako
one sporije obavljati na onim delovima tela gde je agent pogoen. Novije igre imaju veliki
broj moguih animacija, a nije nova pojava da agent tri, puca i osmatra sa potpuno
skladnom animacijom. Neki problemi animacije su veoma slini problemima pravih
robota.
Patfajnding bi mogao biti opisan kao sistem pronalaenja puta, sa polazitem i
odreditem. Polazite i odredite imaju svoje koordinate negde na mapi, a put izmeu njih
spajaju kontrolne take. Najee se pronalaenje optimalnog puta poverava A* algoritmu.
Vii nivoi vetake inteligencije daju komande za kretanje agentima. Skokovi su, kao
integralni deo kretanja, malo problematini. Algoritam upravljanja nije zaduen za
skokove. Ukoliko bi algoritam kretanja pogreio, on bi uvek mogao da ispravi svoju
putanju, ali skokovi koji se pogreno izvedu su est razlog smrti agenata u igri. Dizajneri
igre nalaze reenja u takama sa kojih se skae, a da bi se dosegao eljeni cilj, tu je i
minimalna brzina pre skoka za svaku taku. Bitan je, naravno, i pravac skoka, a kod
komplikovanijih skokova i gde sleete. Sve u svemu, dizajneri e esto ii na varijantu
prepravljanja same mape, da agenti ne bi ispadali smeni skaui nekontrolisano u svoju
smrt. Ipak, reenje mogu biti i prostori sletanja, koje agentu daju mogunost da sam odredi
ta treba da uradi da bi sleteo na datu poziciju. Agent, onda, sam procesira parametre i
fiziki se na neki nain ponaa kao projektil. Sam patfajnding sistem moe da sadri
informacije o lokacijama na mapi sa ukljuenim parametrima za skok. Osim destinacije,
komanduje se brzinom kretanja, ali i animacijom i jo nekim parametrima.
Kada agent ue u borbu, komandu preuzima borbena vetaka inteligencija. Ona je
zaduena za manevre, izbor oruja i mete, potragu za novim orujem, kao i samo pucanje.
Da bi agenti razumeli prostor u kome se nalaze i koristili objekte u okviru tog prostora,
njihovo znanje se esto potpomae bazom podataka. Takva baza e posluiti kod
patfajndinga, ali i kod taktikih odluka agenata. S obzirom na to da agenti ne vide prostor
na tako intuitivan nain kao ljudi, kreatori vetake inteligencije im dodaju informacije o
tom prostoru, a zatim dizajneri mogu da koriste te informacije da bi postigli zacrtanu
akcionu sekvencu, ili da bi ukazali agentima na postojanje dobrog mesta za zaklon. Uz
odreene upite od strane agenta, dao bi se reiti i problem sa pokretnim preprekama ili
objektima koji se pomeraju. Kod pronalaenja puta se moe dogoditi da se pojavi neka
nova prepreka koja nije predviena u bazi kretanja, a onda agent lokalno vri upit na sve
pokretne objekte u nivou da bi znao da li su na njegovom putu [27].
Taktika vetaka inteligencija, takoe, koristi svoju bazu moguih taktika koje se
ispoljavaju u koordinaciji sa vetakom inteligencijom kretanja i animacije. U zavisnosti
od statusa agenta i same situacije mogue je primeniti razne taktike, poput zasede ili
kampovanja u zaklonu. Vetaka inteligencija je odgovorna i za izbor mete. Prvo se brine o
odbrani, a ako za njom nema potrebe, bira se najranjivija meta. Koja je to meta zavisi od
njene lokacije, zdravlja i municije, a u posebnim varijantama i od zacrtanog cilja agenta.
Postoji odreeni sistem ocenjivanja protivnikih karaktera, koji reava ove taktike
nedoumice.
- 63 -
Nikola Kneevi
Pucanje je poseban problem za vetaku inteligenciju, jer oruja na daljinu uvek

imaju razliite karakteristike, pa postavljaju problem take koju treba gaati. Sa pojavom
modernijih fizikih modela, projektili imaju mnogo realnije putanje, pa se tako ne moe od
njih oekivati da ce ii pravom linijom kao to je to nekada bio sluaj. Vetaka
inteligencija bi trebalo da osposobi karaktere da pucaju precizno, ali i da izbegavaju spore
projektile, kao to je raketa u nekim igrama ili granata. Vetaka inteligencija mora da
predvidi gde e granata pasti i mora odmah da bei od obeleenog mesta. U nekim igrama
karakteri moraju da uhvate projektile, pa se mora uskladiti algoritam naletanja na projektil
sa vremenom i pozicijom projektila na putanji. Naravno da se esto u obzir kod putanja
projektila mora uzeti i teren. Kako e se neki projektil ponaati, moe biti odreeno
brzinom, gravitacijom i otporom vazduha (ili nekih materijala, vode, vakuuma). Brzina
projektila ak treba da zavisi i od samog agenta ili igraa u nekim sluajevima. Recimo,
brzinu baene granate ili ispaljene strele moemo da menjamo u zavisnosti od potrebe.
Tako i agenti moraju imati vie opcija koje zavise od prepreka ili visine plafona, ali i
udaljenosti protivnika. Kreatori vetake inteligencije se neretko odluuju da ne uzmu u
obzir otpor vazduha, zbog kompleksnosti implementacije sistema koji bi ga uzeo u obzir.
Meutim, kako novi endini u igrama u svojoj fizici imaju otpor kao faktor, esto e agenti
vetake inteligencije loe pucati sa veih razdaljina. Slini problemi mogu nastati ako se
uzme u obzir rotacija projektila, tako da agenti nemaju uvek sjajnu predstavu gde e
projektil zavriti. Postoji nekoliko naina da se postigne preciznost. Jednaina pokreta je
jedan od njih, mada se ee koristi iterativan metod. On proverava celu putanju projektila
i nalazi gde je projektil bio najblii traenoj meti prilikom kretanja po putanji. Generalno
gledano, vre se ispravke putanje u odnosu na prethodni pokuaj. Inicijalni pokuaj dolazi
od funkcije koja reava pucanje, ne uzimajui u obzir kompleksna kretanja i otpore.
Prilikom pravljenja igara testovi se ponavljaju dok dobar hitac ne pone da se generie
brzo [28].
Na vrhu hijerarhije vetake inteligencije nalazi se kontrola ponaanja. Ona vri
evaluaciju ciljeva agenta i daje odrednice ponaanja. Kontrola ponaanja odreuje da li e
se vetaka inteligencija boriti, beati, gde e ii, kako e biti animirana, ta e rei ili
uraditi. Za potrebe kontrole ponaanja koriste se maine sa konanim stanjima, ali i druge
tehnike koje odgovaraju dizajnu igre, kao to su stabla odluivanja i razuena logika. Da bi
dizajneri nivoa imali to veu kontrolu nad dogaajima u igri, oni koriste skriptovane
sekvence i okidae. Ovi predefinisani dogaaji jesu ograniavajui za vrednost ponovnog
igranja, ali su zato za dobrog dizajnera mogunost da ispria priu i oivi svet igre.
Okidanjem dogaaja u nekoj igri moe se menjati i vetaka inteligencija. Uzronoposledinim principom se da menjati ponaanje agenata, kao i njihova stanja. Okidai
dogaaja mogu biti raznog tipa, ali najprostija varijanta bi bila stupanje igraa na neku, za
njega nevidljivu, predefinisanu lokaciju.
U igrama gde je nevidljivost i unjanje glavni zadatak igraa, vetaka inteligencija
je prilagoena drugaijem tipu akcije. Posebno je usmerena na sisteme ula. Postaje mnogo
bitnije ta karakteri zaista vide, uju ili kako se oseaju. Korienjem ozbiljnog sistema
ula mogue je napraviti veoma realna ponaanja. Agent ne vidi kada ima magle, ne uje
kada postoji jak izvor zvuka u neposrednoj blizini. Takoe, agentima se izoluju nebitni
zvukovi kao to je blago huanje vetra ili cvrkut ptica, da bi oni uli igraa koji je
nespretno bio buan. Agent moe da bude vizuelno pametan, pa da za zaklon koristi mrak
ili kamuflau u okolini koja odgovara njegovoj uniformi i sl.
- 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.
7.8 Strategije u realnom vremenu
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
zabava svim igraima, a vetaka inteligencija se uglavnom razlikuje u odnosu na izabrani

nivo teine, prilagoavajui se tako raznim profilima igraa [24].
Kao osnovni elementi inteligentnog sistema, u veini stratekih igara, nameu se
pronalaenje puta, grupno kretanje, taktika i strateka vetaka inteligencija i donoenje
odluka.
Kreatori vetake inteligencije se kod patfajndinga esto oslanjaju na predefinisane
putanje za svaku mapu, ali zbog injenice da se mape mogu najee naknadno praviti, a i
zbog promenljivog terena i razliitih osobina jedinica u nekim strategijama (usled
eksplozija, see ume koja je do tada bila neprolazan deo mape za jedinice na zemlji,
jedinica koje lete ili slinih pojava), putanje se ne mogu uvek predvideti [4]. U takvim
sluajevima vetaka inteligencija mora da bude sposobna da analizira teren. To je bitno
oruje vetake inteligencije sa kojim ona moe da postavlja graevine na pravo mesto, ali
i da traga za protivnikom i resursima prelazei prepreke, poput vode ili ume na slian
nain kao to bi to ovek uradio. U veini strategija, kretanje vri vei broj jedinica
istovremeno. Vrlo esto su u njihovo kretanje ukljuene i formacije. Grupa agenata se
moe kretati u predefinisanim emama, sa rasporedom jedinica na osnovu izabrane eme i
tipa same jedinice.
Donoenje odluka na nivou svakog agenta zavisi od ciljeva i statusa. Ponaanje
igraa kontrolisanog vetakom inteligencijom e zavisiti od postavljenog cilja, a agenti bi
trebalo da znaju ta sve mora prethodno da se uradi da bi se cilj ispunio, to daje prostora
da se uvrste razne strategije kasnije, jer e vetaka inteligencija planirati kako da
napreduje do ostvarenja postavljenog cilja, odnosno koji su potrebni inioci jedne strategije
koja joj je zacrtana. Ti inioci se mogu posmatrati kao nii ciljevi koji dovode do onog
pravog cilja i oni se posmatraju od strane vetake inteligencije na isti nain kao i glavni
cilj. Oni imaju svoje nie ciljeve kao potrebne inioce da bi se do njih dolo. Ipak, ciljevi i
zadaci vetake inteligencije se u toku igre menjaju, jer se pozicije takmiara menjaju, a
samim tim i planovi kompjuterskih igraa. Vetaka inteligencija e generisati esto nove
ciljeve i sekvence akcija koje do njihovog ispunjavanja dovode. Korienjem razuene
logike i razuenih maina sa konanim stanjima obezbeuje se loginije razmiljanje
svakog agenta ponaosob.
Donoenjem odluka bavi se najvii sloj vetake inteligencije. Menadment
resursa, izgradnja postrojenja ili jedinica, nadogradnja, istraivanje tehnologija i taktiko
proirivanje po mapama su najvaniji poslovi vetake inteligencije najvieg sloja. Neki
nii slojevi bave se realizacijom naredbi najvieg sloja. Ti nii slojevi e vriti analizu
terena da bi postavili zgradu u skladu sa njenom funkcijom, pratie treniranje novih
jedinica i ogranienja pri izboru jedinica, tehnologija ili graevina. Oni e, takoe,
obezbediti da se skupljaju potrebni resursi i informacije o koliini koja je dostupna. Nii
slojevi e direktno biti odgovorni i za borbu i istraivanje terena. Da bi celokupan sistem
funkcionisao, potrebno je da sve bude u vezi, jer svi nii slojevi zavise jedni od drugih, a
njihove akcije su meusobno uslovljene. esto je najvei problem vetake inteligencije
upravo ova povezanost, jer se dogaa da vetaka inteligencija na viem nivou ne
napreduje zbog loeg menadmenta resursima i drugih nepravilnih odluka. Iako se
donoenje odluka uglavnom bazira na mainama sa konanima stanjima i stablima
odluivanja, u strategijama u realnom vremenu se mogu koristiti i sistemi bazirani na
pravilima, ali i metodi verovatnoe.
- 66 -
Nikola Kneevi
7.9 Menaderske simulacije
Ovaj anr je veoma slian strategijama u realnom vremenu, sa kljunom razlikom u

tome to nema protivnika u igri, ve igra ima za cilj da pobedi okruenje i pravila sveta
igre. Igra je esto u ulozi kreatora grada, zabavnog parka...
Vetaka inteligencija okruenja se konstantno menja u skladu sa igraevim
potezima, pa mu pravi probleme i krize, koje igra moe da prebrodi dobrim
menaderskim sposobnostima. Od samih poteza igraa zavisi da li e doi u kriznu
situaciju i da li e se okruenje okrenuti protiv njega. Obino postoje pravila prema kojima
okruenje funkcionie, a pred igraa se postavlja izazov da ta pravila ispotuje. Kljuni
zadaci vetake inteligencije, koja pomae igrau u simulacijama, su informisanje igraa i
praenje stanja okruenja, kao i davanje saveta i statistikih parametara koji su od znaaja
za naredne poteze igraa.
7.10 Video igre bazirane na vetakoj inteligenciji
Nema mnogo igara koje se baziraju na vetakoj inteligenciji u potpunosti. Nije ba

lako napraviti igru koja e biti zanimljiva prosenom igrau, a da se, pritom, zasniva na
vetakoj inteligenciji. Nekoliko naslova ipak postoji. Prvo je Creatures uveo ovakav
koncept, a najpopularnija i najpoznatija igra ovog tipa je Black and White. Najee igra
ima zadatak da naui svog ljubimca da jede, da se bori, da spava, odnosno da preivi.
Karakter, koga igra treba da posmatra i da ga ui, pokuava da naui akcije koje je
video od drugih karaktera, a igra mu daje informaciju da li je dobro uradio zacrtanu
akciju. Na osnovu igraevog odobravanja, ljubimac e ponovo koristiti tu akciju ili nee, u
istim okolnostima. Akcije u igri koje karakter posmatra i pokuava da imitira su
predstavljene sa nekoliko podataka. Karakteri imitiraju te akcije sa moguim varijacijama.
Osim akcija koje ui, karakter mora imati sliku o svetu u kome se nalazi. Kada je ima,
karakter moe da povee akciju sa kontekstom, to znai da e u pravom trenutku odluiti
da uradi pravu akciju. Kontekst se predstavlja karakteru kao kombinacija njegovog
trenutnog statusa i spoljnih faktora sveta igre. To znai da e karakter birati akciju na
osnovu toga koliko je gladan, koliko je udaljen od opasnosti, da li je dan ili no... Sve ove
podatke karakter dobija kroz skup odgovarajuih parametara. Svaki od njih ima svoju
teinu. Ako se karakteru ne obezbedi kontekst nekog dogaaja, on e ga zanemariti i
donee pogrene odluke.
Uenje se moe obezbediti korienjem neuronskih mrea ili stabala odluivanja.
Sloj neuronske mree koji prima uzima podatke od statusa karaktera i sveta igre, a izlazni
sloj se zavrava svim neophodnim informacijama za pravljenje jedne akcije. Neuronska
mrea se koristi i za donoenje odluka koje nemaju veze sa uenjem, gde na ulaznoj strani
imamo kontekst, a na izlazu akciju. Kada karakter ui, on esto isprobava koji izlaz je
pravo reenje za dati ulaz, probajui vie puta dok ne nae reenje koje je dobro ocenjeno.
Za igraa je bitno da njegova bia brzo ue i da ne zaboravljaju, ali esto je potrebno
balansirati, jer algoritmi uenja trae ponavljanje da bi brzo doli do zadovoljavajueg
rezultata, a ponavljanje izaziva zaboravljanje ve nauenih stvari.
- 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
8. Dizajniranje i kreiranje sistema vetake inteligencije
8.1 Modeliranje inteligentnog sistema
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].
8.2 Implementacija sistema
Da bi jedan sistem vetake inteligencije uopte fukcionisao, nije dovoljna samo

ideja i algoritam, ve su potrebne i strukture podataka od kojih algoritam zavisi. Osim
toga, treba utvrditi nain na koji e se svet igre predstavljati algoritmu. Algoritmi su
procesi za reavanje problema. U njihovu strukturu spadaju razni koraci koji su za reenja
potrebni. Da bi algoritam bio uspean mora se poznavati problem koji on treba da rei, a
zatim se on mora paljivo dizajnirati. Kada se postepenim kodiranjem implementiraju
- 70 -
Nikola Kneevi
vorovi algoritma, proverava se njegova brzina, veliina u memoriji i skalabilnost. Ako je

pristupno reenje bilo dobro, algoritam je spreman.
Algoritmi u igrama su esto kompleksne tvorevine sa vie stotina varijacija. Upravo
zbog ove injenice postavlja se pitanje dobrih performansi. Zato se algoritam testira da se
vidi kada se on najbolje pokazuje, a kada njegov rad loe utie na performanse igre, pa se
tako olakava posao dizajnerima igre kada se odreuje broj entiteta u zoni i njihove
mogunosti. Prilikom dizajna algoritma moe se koristiti i pseudo-kd. To je lani kd koji
ne sadri detaljne specifine linije karakteristine za programske jezike, ali pisanje kda
pretvara u laki posao, detaljno opisujui algoritam.
Da bi vetaka inteligencija imala uvid u informacije iz sveta igre, one se moraju
konvertovati u odgovarajue formate, kako se ne bi gubili kritini podaci za funkcionisanje
igre.
8.3 Kreiranje sistema
Kada elimo da napravimo sistem vetake inteligencije za jednu igru, polazimo od

planiranja. Prvo je potrebno znati ta je u ideji igre za koju pravimo sistem, odnosno
kontekst igre. Kada to znamo, poinjemo sa evidentiranjem problema koje treba reiti da bi
igra funkcionisala. Pojavljivanje novih problema za reavaje je gotovo neprekidan proces i,
dokle god traje pravljenje igre, traje i njihovo reavanje. Zbog toga se ovaj neprekidan
proces mora negde prekinuti da bi igra bila zavrena, odnosno da bi bio dostignut
zadovoljavajui nivo svih elemenata igre. Lista problema koje reava vetaka inteligencija
zbog toga ima podele prema prioritetu. Neki problemi su hitniji i bitniji za reavanje od
nekih drugih, a drugi se pak ne mogu ni reiti bez toga da prvi budu reeni. Kada je
problem teko reiti, uvek se moe pribegavati reavanju drugog problema, koji onda
reava prvi [17].
Kada razmiljamo o tome ta bi agenti vetake inteligencije trebalo da znaju,
koristimo vie izvora. Ideje se pronalaze iz iste inventivnosti kreatora, ali i iz drugih igara.
Inspiracija proizilazi iz tuih naslova, ali i iz drugih nauka, prirode, ili iz sluajnih situacija
prilikom pravljenja igre. Ideje koje su bitne za kreatora vetake inteligencije mogu biti
dizajnerskog tipa, ali i programerskog. Kada govorimo o dizajnu, mislimo na ono to je u
glavi kreatora, a prenos u igru jeste programerski deo. Dobar kreator ili tim kreatora e
dobru ideju iz glave pretoiti u igru, poput slikara koji svoju prenosi na platno. Uspeh za
kreatore nije samo reavanje novog problema, ve i bolji nain za reavanje starog, ili
jednostavniji i elegantniji naini.
U zavisnosti od toga ta smo poeleli da nai agenti umeju da rade, biramo tehnike
za koje mislimo da e to omoguiti. Kako izabrati pravu tehniku je pitanje na koje najee
daje odgovor ve prikupljeno znanje. Kreatori koji su inspirisani starijim naslovima i
njihovom vetakom inteligencijom e se najee posluiti ve poznatim reenjima.
Najbitnije jeste da reenje bude provereno funkcionalno. Neke dorade postojeih reenja,
radi prilagoavanja kontekstu igre i njenim eventualnim specifinostima, su ee nego
potpune inovacije. Reenja nekih problema se mogu nai i u drugim naukama, a naravno,
pre svega, kod akademskih grana vetake inteligencije. Mnogo novina u akademskim
- 71 -
Nikola Kneevi
krugovima je potpuno neprimenljivo u igrama, ali su neke moda od velikog potencijala za

primenu.
Da bi se pokazale prednosti i mane izabranih tehnika i reenja problema, potrebno
je vriti testiranje. Testiranje je najbolje vriti od samog poetka na niim nivoima, a
tokom razvoja igre se prelazi na testiranje viih nivoa inteligencije, kao to su strateko
planiranje ili timska taktika reenja. Kada igra dospe u ruke igraa, tada bi rad na njoj i na
njenoj inteligenciji bio prekinut, a kreatori su se eventualno odluivali za neke prepravke, u
sluaju da je generalna funkcionalnost igre ugroena. U novije vreme se to ipak promenilo,
pa mnoge kompanije nastavljaju da prave igru i da je razvijaju i posle njene promocije na
tristu. Razlog za to je to igru testiraju igrai, a njih je esto mnogo i najbolje znaju ta im
smeta u igri, ta bi voleli jo da vide i otkrivaju stvari koje kreatori limitirani vremenom ili
neim drugim nisu mogli da uoe. Ovo se, takoe, moe podvesti pod testiranje, i pravo
poliranje igrakih sistema poinje tek kada igrai stupe na scenu. Kreatore tada zatrpavaju
novootkriveni problemi za hitno ili manje hitno reavanje. Da bi se postigao ovaj dodatni
rad na igri, posle njenog izlaska na triste, osmiljeni su novi naini plaanja igara i
konstantnog priliva novca za kompanije, kao to su mesene pretplate za igranje, dodatne
estetske mogunosti za igrae kupovinom pravim novcem ili ak prodavanje stavki koje
poveavaju mo igraevih avatara. Igrai ak doniraju pojedince ili grupe kreatora kako bi
poeli da prave neku igru (kickstarter project). Za vetaku inteligenciju je trajni razvoj
igre, takoe, bitan. Zamislimo strateku igru gde igrai pronalaze ultimativnu taktiku za
kompjuterski kontrolisanog protivnikog generala, odnosno taktiku koja potpuno rui
sistem vetake inteligencije sklopljen da prua konstantne izazove. Kreatori mogu pratiti
situaciju i reagovati na uoeni problem unapreivanjem odgovora vetake inteligencije na
problematinu taktiku. Teko je zamisliti da igrai nee nai neki trik koji e eksploatisati
dok im igra ne postane laka i dosadna, ak e ih verovatno mnogo pronalaziti, a kreatori
igrae u ovoj fazi mogu posmatrati kao najpouzdanije testere njihove vetake
inteligencije. Vremenom e sistemi postati mnogo savreniji i igrai e moi da uivaju u
izazovnim i interesantnim protivnicima.
Naposletku imamo ugled jedne igre sa njenom bazom fanova, koja e osigurati
budue reinkarnacije igre i svetlo mesto u istoriji igara. Da bi se postigao ovaj nivo,
potrebne su inovacije. Upravo vetaka inteligencija nije previe eksploatisan deo jedne
igre. Dok grafiki prikaz postaje sve manje znaajan, dotle igrivost i socijalne teme izlaze
u prvi plan. Vaan deo inovacija u igrivosti moe proistei iz novina koje uvodimo
korienjem novih tehnika i unapreivanja sistema vetake inteligencije. Zato bi jedna
igra mogla da postane zvezda na nebu igara samo zahvaljujui nekoj veoma zanimljivoj
novotariji u ponaanju agenata. Kada znamo da postoje igre koje su svoje mesto u
pamenju igraa zasluile bazirajui svoju originalnu igrivost na vetakoj inteligenciji,
jasno je da bi bilo veoma dobro promisliti o pravljenju sveeg i jakog sistema na koji se
oslanjaju drugi sistemi igre, jer takav pristup pravljenju igre nije previe korien.
8.4 Stanje vetake inteligencije u video igrama poslednjih godina
Tehnologije dostupne kreatorima vetake inteligencije poslednjih godina dostigle

su zadovoljavajui nivo. Savremeni raunari, kao i najnovije generacije konzola dovoljno
procesivno mone da podre gotovo sve koncepte vetake inteligencije u video igrama.
Tehnike koje se potencijalno mogu koristiti takoe su napredne, pa je jasno da sa
- 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
10. Lista referenci
[1]
AI game programming wisdom. Ed. Steve Rabin. Charles River Media, 2002.
[2]
Buckland, Mat. Programming game AI by example. Wordware Publishing Inc.,

2005.
[3]
Lecky-Thompson, Guy. AI and artificial life in video games. Charles River

Media, 2008.
[4]
Millington, Ian and John Funge. Artificial intelligence for games, second edition.
Elsevier Inc., 2009.
[5]
Alexander, Thor. GoCap: game observation capture. AI game programming

wisdom. Ed. Steve Rabin. Charles River Media, 2002. 579-585.
[6]
Barnes, Jonty and Jason Hutchens. Testing undefined behavior as a result of

learning. AI game programming wisdom. Ed. Steve Rabin. Charles River Media,
2002. 615-623.
[7]
Biasillo, Gari. Representing racetrack for the AI. AI game programming

[8]
Brockington, Mark. Level-of-detail AI for large role-playing game. AI game

programming wisdom. Ed. Steve Rabin. Charles River Media, 2002. 419-425.
[9]
Carlisle, Phil. Designing a GUI tool to aid in the development of finite-state

machines. AI game programming wisdom. Ed. Steve Rabin. Charles River
Media, 2002. 71-77.
[10] Champandard, Alex J. The dark art of neural networks. AI game programming
[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
[17] Kirby, Neil. Solving the right problem. AI game programming wisdom. Ed.
- 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.
[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
[23] Scott, Bob. The illusion of intelligence. AI game programming wisdom. Ed.
[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
[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
[28] Tozour, Paul. The basics of ranged weapon combat. AI game programming
- 76 -

MR Analiza SpecifiÄ Nosti VeÅ¡taÄ Ke Inteligencije U Video Igrama

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

MR Analiza SpecifiÄ Nosti VeÅ¡taÄ Ke Inteligencije U Video Igrama

Uploaded by

Copyright:

Available Formats

UNIVERZITET SINGIDUNUM

Analiza specifinosti vetake

Prof. dr Milan Milosavljevi

Nikola Kneevi 410535/2010

Beograd, 2013. godine

MASTER STUDIJSKI PROGRAM:

Prof. dr Milan Milosavljevi

Nikola Kneevi 410535/2010

Beograd, 2013. godine

Analiza specifinosti vetake inteligencije u video igrama

Saetak: Profitabilnost i zabavni karakter industrije igara navode nas da

Analysis of the specificities of artificial intelligence in video games

Abstract: Profitability and entertaining aspect of video game industry lead us to

Analiza specifinosti vetake inteligencije u video igrama

Metodi pretraivanja, sistemi planiranja i sistemi zakazivanja (search

Analiza specifinosti vetake inteligencije u video igrama

4.9.1 Jaenje (flocking)......................................................................................... - 20 -

Analiza specifinosti vetake inteligencije u video igrama

7. anrovska podela video igara i specifinosti vetake inteligencije u razliitim

10. Lista referenci ................................................................................................ - 75 -

Analiza specifinosti vetake inteligencije u video igrama

Analiza specifinosti vetake inteligencije u video igrama

2. Metodologija istraivakog projekta

2.1 Uvodne napomene i obrazloenje rada

Industrija igara je veoma profitabilna industrija sa velikim finansijskim obrtom.

2.2 Predmet istraivanja

U ovom radu istraujemo opte stanje vetake inteligencije u igrama, od toga ta je

2.3 Ciljevi i zadaci istraivanja

Analiza specifinosti vetake inteligencije u video igrama

2.4 Istraivake hipoteze

Vetaka inteligencija u igrama se moe posmatrati kao posebna nauna disciplina,

2.5 Metodi istraivanja i tok istraivakog procesa

Podloga ovog istraivanja je iskustvo autora u oblasti video igara. Prikupljanjem

Analiza specifinosti vetake inteligencije u video igrama

3. Teorija vetake inteligencije u video igrama

3.1 Pojam inteligencije

3.2 Uvod u teoriju

Teorija vetake inteligencije u igrama moe se odvojiti od inteligencije u prirodi i

Analiza specifinosti vetake inteligencije u video igrama

Analiza specifinosti vetake inteligencije u video igrama

3.3 Privid inteligencije

Za sve oblasti vetake inteligencije vai dilema da li je vetaka inteligencija samo

Analiza specifinosti vetake inteligencije u video igrama

3.4 Specifinosti kreiranja vetake inteligencije u video igrama

Kada govorimo o inteligenciji u igrama, moramo gledati kroz dati kontekst.

Analiza specifinosti vetake inteligencije u video igrama

3.5 Ciljevi vetake inteligencije u video igrama

Analiza specifinosti vetake inteligencije u video igrama

Analiza specifinosti vetake inteligencije u video igrama

4. Tehnike i koncepti vetake inteligencije i njihova primena u

Kada se osnovna ideja igre razvija dubljim dizajniranjem detalja o funkcionisanju

4.1 Ekspert sistemi (expert systems)

Analiza specifinosti vetake inteligencije u video igrama

4.2 Rezonovanje na osnovu sluaja (case-based reasoning)

Poznata je tendencija ljudi da reavaju odreene probleme na isti nain kao to su

Analiza specifinosti vetake inteligencije u video igrama

4.3 Maine sa konanim stanjima (finite-state machine)

Maine sa konanim stanjima (FSM) su stanja povezana tranzicijama. Samo jedno

Analiza specifinosti vetake inteligencije u video igrama

4.4 Produkcioni sistemi (production systems)

Produkcioni sistemi su sistemi bazirani na pravilima. Svako pravilo je skup

4.5 Stabla odluivanja (decision trees)

4.6 Metodi pretraivanja, sistemi planiranja i sistemi zakazivanja (search