home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1992 #27 / NN_1992_27.iso / spool / comp / ai / 4296 < prev    next >
Encoding:
Internet Message Format  |  1992-11-15  |  3.0 KB
  1. Xref: sparky comp.ai:4296 rec.games.programmer:4700
  2. Path: sparky!uunet!dtix!darwin.sura.net!jvnc.net!princeton!fish.Princeton.EDU!acoggins
  3. From: acoggins@fish.Princeton.EDU (Adam Cody Coggins)
  4. Newsgroups: comp.ai,comp.ai.genetic,rec.games.programmer
  5. Subject: Re: Games and genetic algorithms
  6. Keywords: genetic algorithms
  7. Message-ID: <1992Nov16.023330.2528@Princeton.EDU>
  8. Date: 16 Nov 92 02:33:30 GMT
  9. References: <1992Nov11.001553.12600@samba.oit.unc.edu> <1992Nov11.131739.19137@athena.mit.edu>
  10. Sender: news@Princeton.EDU (USENET News System)
  11. Organization: Princeton University
  12. Lines: 43
  13. Originator: news@nimaster
  14. Nntp-Posting-Host: fish.princeton.edu
  15.  
  16. In article <1992Nov11.131739.19137@athena.mit.edu> acgoldis@athena.mit.edu (Andrew C Goldish) writes:
  17. >I have written several computer games using the Borland Pascal compiler and
  18. >would like to teach the computer to learn from its own mistakes when it plays
  19. >against a human opponent (a la War Games).  I am going to try to insert a
  20. >genetic algorithm into the board evaluation subroutine so that the game
  21. >strategies whose parameters produce the most successful games survive to
  22. >the "next generation".  Is this a good idea?  If not, what other method of
  23. >computer learning should I use?
  24. >  My first project will be to convert either Checkers, Othello, or Ataxx.
  25.  
  26. I threw together a little strategy game a couple years ago that used 
  27. a genetic algorithm to select moves.  A game could accomidate four players
  28. at a time, which made it easy to compare four different computer players
  29. at once.  This worked as follows:
  30.  
  31. Each turn, a computer player would calculate a value for each possible 
  32. move using a set of parameters.  The player would then take the move with
  33. the highest value.  At the end of the game, several new computer players
  34. would be created, using the weights of the winner, but slightly modified
  35. ("mutated").  A new game would take place with the mutated players and the
  36. original winner.
  37.  
  38. How well did it work?  If I let it run overnight (code was in QuickBASIC
  39. on a 386 PC-clone, so it wasn't really fast) I would get players that were 
  40. ok, but a human could beat them without too much trouble.  However, I
  41. think a major limitation was the way my parameters were set up--decisions
  42. were a result of merely linear combinations of the parameters, so the 
  43. computer couldn't make very sophisticated decisions.  But I think that a
  44. combination of some standard symbolic AI with some genetically learned
  45. parameters could produce a pretty good computer opponent.
  46.  
  47. I think you could get a fairly sophisticated and smart computer opponents
  48. by using a neural network in conjunction with parameters genetically 
  49. determined.  (Just a thought--I haven't done a serious test of this, and
  50. I'm not sure what neural net architectures to try.)
  51.  
  52. Anyhow, best of luck--there are some cool possiblilities in genetic algorithms
  53. and neural networks.
  54.  
  55. -Cody Coggins <acoggins@phoenix.princeton.edu>
  56.  
  57. By the way, if anyone follows up to this post, could they e-mail a copy
  58. of the followup?  I don't read this group much.
  59.