Mikromanageroinnin toteuttaminen StarCraft-reaaliaikastrategiapeliin geneettisellä ohjelmoinnilla muodostettujen potentiaalikenttien avulla

Abstract

Tämä tutkielma selvittää geneettisen ohjelmoinnin sovellettavuutta sellaisten potentiaalikenttien optimointiin, jotka ohjaavat taistelussa reaaliaikastrategiapelien yksiköi- den mikromanagerointia. Tutkimusympäristönä käytetään StarCraft-peliä. Sovellettavassa menetelmässä pelin yksiköiden ohjaaminen potentiaalikentillä tapahtuu siten, että pelin koh- teet: omat yksiköt, vihollisen yksiköt ja pelialueen ulkoreunat, aiheuttavat kukin potentiaa- likentän. Omia yksiköitä liikutetaan siihen suuntaan, jossa kohteiden potentiaalikenttien yh- teisvaikutus on voimakkain. Geneettistä ohjelmointia käytetään optimoimaan eri kohteiden luomien potentiaalikenttien voimakkuutta määrittäviä funktioita.

Menetelmä suoriutui huonommin kuin aikaisemmassa tutkimuksessa käytetty käsin luotujen potentiaalifunktioiden vakioiden optimointi geneettisellä algoritmilla. On mahdollista, että geneettisen ohjelmoinnin soveltaminen kyseiseen ongelmaan vaatisi huomattavasti suurem- paa populaation kokoa kuin tässä tutkimuksessa käytetyt 128 ja 500 yksilöä.

This thesis investigates the applicability of genetic programming to optimizing the potential fields that control the units in battle in a real time strategy game. The research was conducted in a game called StarCraft. The applied method of guiding the units with potential fields works by generating potential fields for each of the significant objects in the game: the player’s own units, the enemy units and the outer edges of the playing area. The player’s units are then moved in the direction in which the combined effect of the different potential fields is the highest. Genetic programming is used for optimizing the functions that define the potential fields for the different objects.

The performance of the method was inferior to an earlier study where the potential fields were crafted by hand and the constants were then optimized with the genetic algorithm. It is possible that a significantly larger population size than that of 128 and 500 individuals used in this study would be required to apply genetic programming to this problem.