NeuroEvolving Robotic Operatives
|
|
- Ove Lind
- för 7 år sedan
- Visningar:
Transkript
1 LINKÖPINGS UNIVERSITET NeuroEvolving Robotic Operatives Implementering av genetiska algoritmer i RTT-spel Johan Felixsson 10/3/2010 Spel i dag styrs till stor del utav förskrivna skript. NERO är ett spel som implementerar genetiska algoritmer med metoden reneat för att i realtid utveckla sina agenters agerande och göra dem mer flexibla och intressanta att spela mot
2 Innehåll 1. Inledning Skriptade agenter Neurala nätverk Neuroevolution NEAT Genetisk kodning Skydda nya genom Minimera sökdjup reneat NERO Robotic Operatives Kontroller Träning Battle mode Avslutning Litteraturförteckning Artiklar Internet
3 1. Inledning Inom dataspel ställs man ofta upp mot olika fiender och motspelare, som utgörs av agenter i spelvärlden. Deras syfte är att försvåra för spelaren från att uppnå sina mål i spelet och är grunden för själva utmaningen i spelet. Dessa motståndares presenteras i många spel som utomjordingar, robotar eller människor och förväntas därför kunna agera på ett relativt rationellt vis. Det finns finns även vänligt inställda karaktärer som ska hjälpa spelaren. Ett samlingsnamn för dessa datastyrda karaktärer, både vänliga och fientliga, är NPCer (Non-player Character). Dessa styrs vanligtvis av skript, som är förhandsbestämda och kan ge karaktärerna ett ganska stelt beteende. Men genom att implementera genetiska algoritmer så spelen så kan man få karaktärer att agera mer dynamiskt. 3
4 2. Skriptade agenter I nuläget så är NPCers beteende bundna till skriptade sekvenser som aktiveras av olika ageranden från spelaren. Det kan exempelvis vara var i spelets värld spelaren befinner sig, var i förhållande till motståndaren spelaren står eller helt enkelt hur lång tid som spelet har pågått. Dessa skriptade sekvenser styr direkt agerandet hos NPCer, vilket varierar beroende på vad det är för spel. Exempelvis i ett förstapersonsskjutspel kan skripten bestämma att när motståndaren, i detta fall en fientlig utomjording, ser spelaren så ska den beskjuta spelaren. I ett strategispel så ska NPCn, som här kan representeras som en hel nation, hantera resurser, bygga byggnader och enheter samt anfalla eller alliera sig med spelaren. I ett sportspel så utgör NPCer alla spelare förutom spelaren, både på det egna och på motståndar laget. Alla dessa ageranden från NPCer har som syfte att simulera rationellt beteende. Dessa har med tiden blivit mer sofistikerade i takt med att spelen blivit mer avancerade. När grafik, ljud och andra mekanismer i spelen, som miljöer och gravitation, blir allt mer realistiska så ställer det större krav på de datastyrda agenterna, eller NPC. Dessa måste agera realistiskt för att inte förstöra illusionen av en realistisk artificiell värld. Detta är ett stort problem då de datorstyrda karaktärerna helt enkelt är för dumma. De flesta människor kan, med viss träning, överlista en datastyrd karaktär. De saknar innovation, kan inte lära sig av spelarens beteende eller lära sig av egna misstag. Detta har lett till att man i spel måste ta till lösningar som kan anses som fusk t ex att de datastyrda spelarna har fördelar i själva spelmekanismen för att få en överhand över spelaren. Exempelvis i vissa stratergispel så har den datastyrda motståndaren tillgång till större mängder med resurser och bygger enheter snabbare. I förstapersonsskjutspel så kan fienden ha tillgång till oändliga mängder soldater att skicka mot spelaren eller attackerar spelaren och ingen annan trots att de finns andra, datasryra mål de skulle kunna fokusera på. I racingspel så har den ökända gummibandseffekten implementerats, vilket innebär att om spelare kommer för långt före NPCerna i spelet så kan de helt enkelt bryta mot reglerna fullständigt och köra betydligt snabbare än de ska kunna göra. Dessa brister i de datastyrda karaktärerna och spelen överhuvudtaget kan vara en av anledningarna till att flerspelarläge nästan är ett krav i spel idag. Människor går kommunicera med, de anpassar sig bättre till situationern och har möjligheten att lära sig av sina misstag. Detta problem kan man lösa genom att låta NPCer uppdatera, eller evolvera, sig själv med hjälp av genetiska algoritmer. Problmet har varit att implementera dessa i en realtidmiljö. rtneat är ett försök att lösa neuroevolution i realtid. 3. Neurala nätverk Neutrala nätverk har sitt ursprung i den tidiga AI-forskningen och bygger på idéen att simulera den mänskliga hjärnan genom att bygga en datoriserad modell av neuronen i hjärnan och på detta vis kunna simulera hur olika processer i hjärnan fungerar. Detta har varit och är fortfarande en av de vanligare metoderna för att studera inlärning. 4
5 Nätverket är uppbyggt av noder som har en inputfunktion, en aktivieringsfunktion och ett output. Noderna är sammanlänkade och dessa länkar har olika vikter, som bestämmer styrkan på inputen en nod kräver för att aktiveras samt hur mycket styrka noden ger ut i outputen. Noderna ligger i olika lager där den mest simpla formen endast har ett lager där input är direkt kopplat till output. Strukturen på nätet gör att ett antal noder kan agera tillsammans för att ge en aktivering och output i en annan nod och möjligheten att lägga till dolda lager som påverkar signalerna ger möjlighet att konstruera mer avancerade simuleringar med fler noder som påverkar outputen. Mer komplexa nätverk kräver dock mer tid och resurer att söka igenom. 2.1 Neuroevolution Med hjälp av genetiska algoritmer så kan man låta det artificiella nätverket evolvera och förändras. Detta kan ske på olika sätt, där det enklaste har varit att förändra vikterna i kopplingarna mellan noderna, men låtit strukturen eller topologin på nätverket bibehållas. Metoder finns som evolvera både topologin och vikterna samtidigt. Dessa metoder kallas för Topology and Wight Evolving Artificial Nueral Networks och förkortas som TWEANN. Att förändra topologin gör sökningarna mer komplexa, men kan samtidigt ge möjlighet att ta bort onödiga sökningar genom att förenkla topologin på nätverken. 2.2 NEAT NEAT, eller NeuroEvolution of Augmenting Topologies är utvecklat av Kenneth O. Stanley och Risto Miikkulainen vid University of Texas i Austin USA. NEAT arbetar med att nyttja strukturen på ett sådant sätt att man minimerar sökningen av de olika viktade kopplingarna och stegvis bygger ut nätverket och på detta sätt öka prestandan hos systemet. Att förändra strukturen när man ska evolvera ett nätverk leder till ett antal olika problem. För det första så måste det finnas information i genomet för att kunna korsa två noder och få ut ett fungerande resultat. Genom är den informationen som styr hur noder som ska byggas ska se ut. Det andra problemet är hur man bibehåller gener, det vill säga förändringar i genomet, som behöver längre tid för att utvecklas och på så sätt ger dem en chans att förbättra nätverket. Det tredje problemet är hur man minimera komplexiteten i nätverket under evolutionen utan att direkt behöva mäta just komplexiteten Genetisk kodning Det första problemet har man löst genom att koda in en lista med kopplingsgener. Varje kopplingsgen innehåller information om vilka två kodgener som kopplas samman. Kopplingsgenen specificerar input, output och vikten av kopplingarna. Kopplingsgenen innehåller också en binär status huruvida koppingen i fråga används eller inte. Strukturen på nätverket kan förändras på två sätt; antingen så läggs en gen för att lägga till koppling som då kopplar samman två nodkopplingar där sammankoppling saknas. Den kan också lägga till en nod då en ny nod placeras istället för en koppling och två nya kopplingar läggs till i genomet. Detta gör det möjligt att direkt lägga till nya noder i nätverket. Denna möjlighet att utöka genomen med kopplingar och noder gör att olika genom kan skilja sig i storlek. Detta skulle kunna leda till problem när man ska korsa gener, och av denna anledning har man lagt till ett globalt innovationsnummer i varje ny gen. Varje gång en koppling eller ny nod skapas så får genen för förändringen ett nummer som är unikt i just det genomet. Detta ger skapar information om varje genoms historia och gör det möjligt att följa dess utveckling. Detta gäller för alla genom, så individer 5
6 med samma antal gener i sina genom kan matchas mot varandra. I genom som inte matchar varandra markeras gener som disjoint om de ligger innanför den det mindre genomets högsta innovationsnummer och som excess om det ligger utanför. Dessa gener saknas alltså och i dessa fall tas alltid genen från det genom som har genen. Om de olika genomen är matchade så tas dom slumpmässigt från det båda generna det vill säga föräldrarna. Avkomman kommer då ha antingen en mer komplett uppsättning gener i genomet eller bara en blandning av gener från föräldrarna. Denna metod gör gen matchning enkel och kräver ingen större analys. Då innovationsnumren tillförs vid varje förändring i alla genom så kommer förändringarna med samma nummer i olika genom påverka samma sak i individen Skydda nya genom Denna metod ger en stor variation i genomen hos individerna i populationen. Detta leder dock till ett problem då det försvårar innovation när spridning i genomen storlek förekommer. Nya gener gör ofta en individ mindre lämpad än den var innan genen tillfördes, eller gör att den har lägre fitness med ett annat ord. Den har helt enkelt inte fått en chans att anpassa sig än. Så gener som skulle kunna vara viktiga för populationens utveckling kan försvinna för att individer på låg fitness väljs bort. För att förhindra att detta händer så har man även artbildning i NEAT. Med hjälp av de globala innovationsnumren och antalet gener som är disjoint och excess kan man med nedanstående formel räkna ut hur lämpade två genom är att bilda en avkomma. Genom som ligger nära varandra har lättare att paras och på detta vis så har små genom en större chans att få utvecklas i en långsammare takt, och det finns också ett tröskelvärde som hindrar genom som skiljer sig för mycket att bildar en avkomma tillsammans. δ är skillnaden mellan de olika genomen, E är excess, D är disjoint, är den genomsnittliga vikten hos de matchade vikterna. c 1, c 2 och c 3 används för att justera de olika faktorernas vikt i uträkningen. N är storleken på det större genomet och används för att normalisera genomstorleken. δ t sätts som tröskelvärde för att avgöra om de olika genomen kan bilda en avkomma När NEAT avkommor bildas i NEAT så används explicit fitness sharing, vilket innebär att hela populationen av en art delar på fitness. Ju fler individer en viss art har desto lägre blir artens fitness. Detta förhindrar att en art med hög fitness slår ut alla andra arter och på så sätt försämrar möjligheterna till vidare utveckling av alla arter. När själva avkomman bildas så slås slumpmässiga genom från en viss procentsats av de mest lämpade individerna i en art ihop och ersätter hela artens population. Antalet individer som ska tillsättas i en art bestäms av följande formel: k är den genomsnittliga fitnessen hos den aktuella arten, tot är den genomsnittliga fitnessen hos hela populationen av alla arter och P är antalet individer i den totala mängden individer i hela 6
7 populationen av alla arter. På detta sätt får man ut en lämplig mängd individer för en vis art utan att den totala populations fitness faller för lågt Minimera sökdjup NEAT utgår alltid från enkla neurala nätverk där input direkt påverkar output utan några mellanliggande dolda noder. Nya noder tillkommer allt eftersom genomet utvecklas och sturkturerna utvärderas kontinuelligt och plockas bort om de är olämpliga. Detta till skillnad från andra TWEANN-metoder som börjar med ett slumpmässigt antal noder och därför kan få onödiga strukturer, utan möjlighet att på ett smidigt sätt kunna minska komplexiteten. NEAT har därför alltid enklare strukturer att arbeta med i jämförelse med andra metoder som förändrar topologi och vikter. 4. reneat reneat, som står för Real-Time Neuroevolution of Augumenting Topologies är vidareutvecklad version av NEAT som är gjord för att fungera i realtidsmiljöer. För detta så har vissa saker ändrats. I NEAT byts hela populationen ut vid varje ny generation och den nya generationen är baserad på de individer med bäst fitness i den tidigare generationen. I rtneat så sker generationsskiftet mindre dramtiskt, där den individ med sämst fitness plockas bort ur populationen och ersätts med en avkomma från de individer i populationen med bäst fitness. Livslängden för en generation eller, i rtneat, en individ bestäms av en klocka. När en viss tid gått så skapas en avkomma och den sämsta individen plockas bort. rtneat sköter detta med hjälp av en bestämd process och ett antal formler som presenteras nedanför. Steg 1: Avlägsna den sämsta avkomman För att kunna bibehålla möjligheterna för vidare utveckling av genomen så måste vissa regler följas när man väljer ut vilken individ som ska avlägsnas från populationen. Individernas nivå av fitness delas mellan alla i arten, så individen som ska tas bort måste ha den sämsta fitnessen efter att detta justrerats, då storleken på individens artpopulation spelar in. Detta är, som tidigare nämnt, för att förhindra att nya individer plockas bort för tidigt. rtneat tar också hänsyn till hur länge individen har levt, då unga individer annars skulle plockas bort utan att få en chans att visa hur lämpad den är. När dess krav är uppfyllda och den sämst lämpade individen är lokaliserad tas den bort. Steg 2: Räkna om artens fitnessmedelvärde Eftersom fitness delas mellan alla individer i en arts population så är det viktigt att uppdatera denna, då föräldrarna till den nya avkomma bestäms utifrån fitnessvärdet. Steg 3: Välja föräldrarnas art Formeln för att räkna ut en arts population som används i NEAT fungerar inte riktigt på samma sätt. Då hela populationen ersätts vid generationsskiftet i NEAT och endast en individ i taget fungerar inte formeln 7
8 Istället används formeln S k är i denna formel antalet individer i en viss art. Med denna kan man med hjälp av sannolikhet få fram från vilken art föräldrarna bör väljas. Detta för att ge den spridningen och möjligheten innovation och utveckling som NEAT ger, även i realtid. Steg 4: Dynamisk kompatibilitetströskel δ t som används som tröskelvärde i NEAT för att avgöra om två genom skiljer sig för mycket från varandra är i som en variabel. rtneat försöker att hålla antalet arter konstant, vilket det gör genom att justera δ t. Är det för många arter så öka tröskelvärdet för att låta individer ansluta sig till en art, medan om det är få arter så sjunker tröskelvärdet för att tvinga fram nya arter, då nya arter skapas om en individ inte passar in i någon av de existerande arterna. Den ändring av artstrukturen börjar inte verka förrän hela populationen går igenom denna beräkning. Steg 5: Ersätt den borttagna individen Individen som tog bort kan nu ersättas. Hur detta sker variera från miljö till miljö. Det nya genomet kan i ett spel aningen ersätta hjärnan i det gamla genomet kropp, eller helt enkel döda kroppen och återvända i en ny. I spelet NERO som ska beskrivas har nedanför så ersätt både hjärna och kropp samtidigt. Förutom dessa skillnader så måste även tiden mellan varje generationsbyte bestämmas då detta sker i realtid. Detta kan göras av spelaren. Det bör has i åtanke hur länge varje generation ska leva; har man för kort tid hinner inte nya individer utvecklas och har man för lång så tar utvecklingen av populationen för lång tid. Figur 1 Illustration av uppkomsten av en ny individ. Den sämsta i populationen tar bort och två av de bästa får bli föräldrar till en ny individ 5. NERO NeuroEvolving Robotic Operatives är ett RTT-spel baserat helt och hållet på maskininlärning. RTT står för Realtime Tactical och fokuserar på enheternas rörelse på slagfältet och saknar resurshantering som finns i mer traditionella Realtime Strategy-spel. I NERO tar spelaren rollen som tränare eller instruktör och ska träna en grupp med robotar att lära sig gå, skjuta och senare avancerade stridstaktiker. 8
9 5.1 Robotic Operatives Robotarna är spelet representation av agenter och varje robot innehåller ett genom som kan evolvera individuellt. Roboten har ett antal sinnen eller sensorer som ger dem information om omgivningen, det vill säga inputvärden. Totalt har de fyra sensorer: Radar som gör att det kan känna av var fienden är i 360 runt roboten. Radarn är uppdelad i sektorer och kan känna av avståndet till fienden. Ju närmare en fiende är desto starkare input ger sensorn, vilket kan påskynda aktiveringen av eventuell nod som den är kopplad till. Objektdetektor med avståndsmätare som skicka ut i ett antal strålar från roboten. Med hjälp av dessa kan roboten veta om det finns väggar eller andra hinder och navigerar i världen. Målangivare som berättar om de har en fiende i sin skottlinje. Figur 2. Ett exempel på ett nätverk I en av agenterna, med input från sensorerna near och de olika outputen uppe Sensorer för fiendens skottlinje och eld som används för att veta när de kan bli beskjutna. Den känner även vilken bana de närmaste fiendens kulor har, vilket kan vara vitalt för att undvika dessa. Utifrån dessa kan robotarnas agera på fem olika sätt; gå fram, bak, vänster, höger eller skjuta. Dessa är alltså agenternas outputs. 5.2 Kontroller Spelare kan inte direkt kontrollera sina robotar mer än att man kan sätta ut en flagga som i sig är ganska meningslös. Istället kontrollerar denne ett antal reglage som antingen belönar eller bestraffar agenterna för ett visst beteende. Beteende som kan belönas eller bestraffas är; undvikande av inkommande eld, eldgivning, rörelse, framryckning mot flaggan, sammanhållning med robotar på det egna laget samt framryckning mot fienden. Figur 3. Kontrollerna för NERO. De gröna reglagen kontrollerar hur olika beteenden från agenterna ska belönas eller bestraffas dvs få högre eller lägre fitness. Från vänster: undvikande av inkommande eld, eldgivning, rörelse, framryckning mot flaggan, sammanhållning med robotar på det egna laget samt framryckning mot fienden. 5.3 Träning Spelet delas in i två olika lägen, där det första är träningsläget. Här har spelaren ett öppet fält utan fiender eller hinder. Här kan han placera sin fabrik som är den punkten som hans robotar kommer dyka 9
10 upp. Antalet robotar bestämmer spelaren, då det beror på hur kraftig datorn denne har. Normalt brukar det ligga mellan 50 upp till 200. När robotarna anländer har det endast den enklaste formen av neurala nätverk, vilket visar sig genom att de springer runt fullständigt planlöst. Här måste spelaren träna sina robotar till att göra vissa basala handlingar där en lämplig att börja med är att få dem att gå till en bestämd punkt. Detta görs lättast genom att placera ut flaggan och höja reglaget som ger högre fitness för att avancera mot flaggan. Efter ett par minuter kommer det ha kommit nya generationer robotar ha anlänt till slagfältet som kommer vara avkommor utav de robotar som hade högst fitness, alltså de robotar som avancerade mot flaggan. Detta kommer leda att efter ett par generationer kommer alla robotar avancera mot flaggan. Här ifrån kan man fortsätta träna sina robotar. Till spelaren förfogande har han väggar han kan sätta upp för att träna dem att navigera kring hinder och även olika typer av fiender. Dessa fiender kan antingen vara stationära mål som inte gör något motstånd, eller mer avancerade som rör sig i bestämda mönster eller siktar in sig på spelaren robotar. Genom att konstruera mer och mer avancerade övningar kan spelare få sina robotar att agera på ett önskat vis. Robotarna kan belönas för att skjuta på fienden och hålla sig i rörelse vilket ger spelaren robotar som på avstånd beskjuter fienden samtidigt som de försöker undvika att bli beskjutna. Han kan också skapa robotar som avancerar rakt mot fienden utan tanke på självbevarelse. Möjligheten att både belöna och bestraffa robotarna ger en mängd möjligheter. Spelare kan till exempel träna robotar som får låg fitness av att avancera mot flaggan och får då möjligheten att markera farliga områden med flaggan för att robotarna inte ska gå dit. Spelaren har också möjlighet att själv döda en robot som uppvisar ett icke önskvärt beteende. Han kan även ersätta alla robotar samtidigt med genomet från en robot som presterar särskilt väl. Genom att göra detta så klonas robotens genom till samtliga robotar och ger en nu utgångspunkt i evolutionen. Spelet erbjuder även möjligheten till att använda milestoning method. Denna funktion gör att gener från gamla robotar kan sparas och blandas in i genomet för robotar flera generationer senare. En jämförelse skulle vara att en människa skulle gå tillbaka och ta gener från en grottmänniska för att bättre kunna hantera kallt klimat. Denna funktion gör det möjligt att på ett bra sätt kunna träna robotarna till att genomföra flera olika handlingar som annars skulle vara svåra att få fram, då robotarna tenderar till att glömma bort ett visst beteende när det ska lära sig ett annat. När spelaren har fått fram robotar han är nöjd med kan han spara dessa och gå vidare till Battle mode. 5.4 Battle mode Detta läge är själva spelet. Spelaren får här sätta ihop fyra grupper om fem robotar som ska forma en pluton, det vill säga 20 robotar totalt. Det kan antingen vara olika robotar som agerar olika eller kopior på samma robot om spelaren är särskilt nöjd med någon särskild. Med denna pluton med robotar kan han antingen kämpa mot de robotar som programmerarna skicka med i spelet eller mot en annan spelare via nätverk eller internet. Matcherna är ganska enkla och vinnaren bestäms av den som överlever eller, i scenariot att robotarna bekämpar varandra, den som har flest robotar kvar när matchen är slut. Under matcherna kan spelarna inte göra mer än placera ut deras enda flagga och hoppas robotarnas träning är tillräcklig. 10
11 11
12 6. Avslutning NERO är ett mycket intressant sätt att visa möjligheterna med genetiska algoritmer, samtidigt som det är ett mycket underhållande spel. Min personliga bedömning är att de fortfarande är en bit kvar innan metoder som rtneat kan slå på den vanliga marknaden mot de traditionella metoderna att skapa spel, men det öppnar upp nya möjligheter och intressanta tankar. 12
13 Litteraturförteckning Böcker Russell, S., & Norwig, P. (2003). Artificial Intelligence: A modern approach. New Jersey: Pearson Education, Inc. Artiklar D Silva, T., Janik, R., Chrien, M., Stanley, K. O., & Miikkulainen, R. (2005). Retaining Learn Behavior During Real-time Neuroevolution. Austin, Texas, USA. Stanley, K. O., & Miikkulainen, R. (2002). Effcient Reinforcement Learning through Evolving Neural Network Topologies. Austin, Texas, USA. Stanley, K. O., Miikkulainen, R., & Bryant, B. D. (2005). Evolving Neural Network Agents in the NERO Video Game. Austin, Texas, USA. Internet
NEUROEVOLUTION MED TÄVLINGSINRIKTAD SAMEVOLUTION I FLERA MILJÖER MED ÖKANDE KOMPLEXITET
M a l sk ap a d a v H e nr ik NEUROEVOLUTION MED TÄVLINGSINRIKTAD SAMEVOLUTION I FLERA MILJÖER MED ÖKANDE KOMPLEXITET NEUROEVOLUTION WITH COMPETITIVE COEVOLUTION IN MULTIPLE SCENES OF INCREASING COMPLEXITY
Läs merUppdelning av ett artificiellt neuralt nätverk
Uppdelning av ett artificiellt neuralt nätverk Kandidatarbete utfört av: Björn Eklund Spelprogrammering årskurs 2009 Blekinge Tekniska Högskolan bjorneklund86@gmail.com Handledare: Stefan Johansson Blekinge
Läs merKombinationer och banor i agilityträningen
Kombinationer och banor i agilityträningen av Emelie Johnson Vegh och Eva Bertilsson, publicerad i Canis 2012 En av de saker som gör agility så fantastiskt roligt är den ständiga variationen. Ingen tävlingsbana
Läs merSymboler och abstrakta system
Symboler och abstrakta system Warwick Tucker Matematiska institutionen Uppsala universitet warwick@math.uu.se Warwick Tucker, Matematiska institutionen, Uppsala universitet 1 Vad är ett komplext system?
Läs merGenetisk programmering i Othello
LINKÖPINGS UNIVERSITET Första versionen Fördjupningsuppgift i kursen 729G11 2009-10-09 Genetisk programmering i Othello Kerstin Johansson kerjo104@student.liu.se Innehållsförteckning 1. Inledning... 1
Läs merde var svåra att implementera och var väldigt ineffektiva.
OBS! För flervalsfrågorna gäller att flera alternativ eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad. Totalt kan
Läs merEn innebandyspelare består av två olika grundpelare. Den ena är fysik som består av styrka, snabbhet, kondition och balans.
1. Innebandyspelaren 1.1 De två grundpelarna hos en innebandyspelare: Fysik Spelsinne En innebandyspelare består av två olika grundpelare. Den ena är fysik som består av styrka, snabbhet, kondition och
Läs merVad kan biologiskt plausibla modeller säga oss?
Förra föreläsningen Vad kan biologiskt plausibla modeller säga oss? Beräkningsmässig kognitiv neurovetenskap Simulering av modeller kan ge insikt i mänskligt tänkande Kognitiva fenomen Simulering beräkningsprinciper
Läs merArtificiell Intelligens inom datorspel Är det ett seriöst ämne?
Artificiell Intelligens inom datorspel Är det ett seriöst ämne? Tobias Andersson, tan10006@student.mdh.se Erik Johnasson, ejn11015@student.mdh.se Information kunskap vetenskap etik DVA223 SAMMANFATTNING
Läs merEtt spel skapat av Albin Wahlstrand
Viking vs. Demons Ett spel skapat av Albin Wahlstrand 2012-06-03 1 Abstrakt Denna rapport kommer att handla om mina positiva och negativa erfarenheter inom projektet jag jobbat på de senaste 10 veckorna.
Läs merGrundläggande Idéer Algoritmens komponenter Numerisk optimering Genetisk Programmering. Genetiska Algoritmer
Genetiska Algoritmer 1 Grundläggande Idéer 2 3 4 Exempel Parallell optimering inspirerad av biologisk evolution Parallell optimering inspirerad av biologisk evolution Population av hypoteser Urvalprocess
Läs merHKGBB0, Artificiell intelligens
HKGBB0, Artificiell intelligens Kortfattade lösningsförslag till tentan 3 november 2005 Arne Jönsson 1. Vad karaktäriserar dagens AI-forskning jämfört med den AI-forskning som bedrevs perioden 1960-1985.
Läs mer2D Potentialen i en nervcell definieras normalt som skillnaden i spänning mellan dess axon och dendrit.
2D1432 Artificiella Neuronnät och andra lärande system Lösningsförslag till Tentamen 2003-03-06 Inga hjälpmedel. Uppgift 1 Vilka av följande påståenden är sanna? Korrigera de som är fel. 1. Potentialen
Läs merGenetiska Algoritmer. 10 mars 2014
Genetiska Algoritmer Johan Sandberg Jsg11008@student.mdh.se 10 mars 2014 Niklas Strömberg Nsg11001@student.mdh.se 1 SAMMANFATTNING Genetiska algoritmer är en sorts sökalgoritm som är till för att söka
Läs merFråga 5 (1 poäng) För att definiera ett sökproblem krävs...
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merFråga 5 (1 poäng) För att definiera ett sökproblem krävs...
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merUtveckling av artificiell intelligens med hjälp av Genetiska tekniker och Artificiella neurala nätverk Philip Ruuska Boquist
Institutionen för kommunikation och information Examensarbete i datavetenskap 30hp C-nivå Vårterminen 2009 Utveckling av artificiell intelligens med hjälp av Genetiska tekniker och Artificiella neurala
Läs merMatcha rätt hjärta till rätt patient med AI. Dennis Medved
Matcha rätt hjärta till rätt patient med AI Dennis Medved Översikt Introduktion IHTSA LuDeLTA Sammanfattning Framtida arbete Introduktion Hjärttransplantation Livräddande operation för patienter med hjärtsvikt
Läs merTor Sterner-Johansson Thomas Johansson Daniel Henriksson
Lab 4: Anti Tower Defence Oskar Mothander Alan Mendez Larsson dit06omr dit06mln Lärare: Handledare: Johan Eliasson Johan Granberg Tor Sterner-Johansson Thomas Johansson Daniel Henriksson Innehåll 1. Problemspecifikation...
Läs mer3. Välj den sprajt (bild) ni vill ha som fallande objekt, t ex en tårta, Cake. Klicka därefter på OK.
Moment 2: Klonspel Instruktioner för deltagare Idag ska du få lära dig om: Kloner - kopior av samma figur (sprajt) Variabler - ett värde, exempelvis antal poäng Slumptal - slå en tärning för att välja
Läs merTDP005 Projekt: Objektorienterat system
. TDP005 Projekt: Objektorienterat system Kravspecifikation Författare, dylma900@student.liu.se, albve061@student.liu.se Höstterminen 2016 Version 1.1 2016-11-16 1 Revisionshistorik Ver. Revisionsbeskrivning
Läs merKort Sammanfattning av Schack MAS
Kort Sammanfattning av Schack MAS Krister Ljung kljung@kth.se 6th April 2003 1 Bamse 1.1 Agenter 1.1.1 Bamse Bestämmer vilket drag som skall skickas till spelplanen. Har även nio öppningar att spela dom
Läs merTräningsbank. Uppvärmning Tåget 10 min (max 20 st) Tänka på. Uppvärmning Följa John 10 min (max 20 st) Fotbollsträning. Ålder: 8-10 Ange tid här
Fotbollsträning Träningsbank Ålder: 8-10 Ange tid här Uppvärmning Tåget 10 min (max 20 st) 1. Led om två och två 2. Starta tåget som ett ånglok långsamma steg som ökar till joggning, gör ångloksljud 3.
Läs mer1. Jag har bra självkänsla och tycker om mig själv som jag är oavsett vad jag presterar.
Balanshäftet, arbetsblad Nedanstående påståenden hjälper dig att hitta balans eller obalans i dig själv och din tillvaro just nu. Läs varje påstående lugnt och noggrant och försök att svara med det du
Läs mer1(15) Bilaga 1. Av Projekt Neuronnätverk, ABB Industrigymnasium, Västerås Vt-05
1(15) Bilaga 1 2(15) Neuronnätslaboration Räknare Denna laboration riktar sig till gymnasieelever som går en teknisk utbildning och som helst har läst digitalteknik samt någon form av styrteknik eller
Läs merCurlinglaget. Alla spelare är lika viktiga och alla skall;
Välkomna! 1 Curlinglaget Team Kevin Martin Alla spelare är lika viktiga och alla skall; läsa is, stenar och motståndare påverka strategi och taktik planera säsongen och sätta upp mål 2 Faktorer som ger
Läs merGenetiska algoritmer. Henrik Hansson (hhn00001@student.mdh.se) Rapport, CDT212 Mälardalens Högskola
Genetiska algoritmer Henrik Hansson (hhn00001@student.mdh.se) Rapport, CDT212 Mälardalens Högskola 1 Sammanfattning Genetiska algoritmer har rötter i 60-talet och efterliknar evolutionsteorin på så sätt
Läs merPressrelease Artes Industriambassadör 031115. Mer realistiska skuggor i datorspel och virtual reality-applikationer
Anita Andler Pressrelease Artes Industriambassadör 031115 Mer realistiska skuggor i datorspel och virtual reality-applikationer Ulf Assarsson, doktorand vid Chalmers tekniska högskola lade den 10 oktober
Läs merModeller och simulering av språkprocessning
Modeller och simulering av språkprocessning Seriell processmodell + parallell processmodell Parallell modell med 2-vägsförbindelser Artificiellt neuralt nätverk (ANN) Interaktiv aktiverings-modell (IAM)
Läs merGenJam En musikalisk genetisk algoritm?
GenJam En musikalisk genetisk algoritm? Kognitionsvetenskapliga programmet Abstract GenJam är en modell av en jazzmusiker som lär sig att improvisera. Det är en interaktiv genetisk algoritm som interagerar
Läs merInledning ARTIFICIELL INTELLIGENS 729G011 HT 2010
Inledning För att koordinera enheter mot ett gemensamt mål krävs ett effektivt system för att förmedla information. Man strävar ofta efter att varje enhet ska ha den information som krävs för att enheten
Läs merSlutrapport. Super Mario klon. Tomas Wallin tw222bv WP
Slutrapport Super Mario klon Tomas Wallin tw222bv WP11 2012-06-03 1 Abstrakt Denna rapport handlar om mitt arbete i krusen Individuellt Mjukvaruprojekt. I denna rapport tänkte jag gå igenom hur projektet
Läs merGenom att följa dessa steg lär du dig snabbt att spela onlinematcher... och som du kan se är det mycket enkelt, roligt och spännande!
HUR MAN SPELAR ONLINE Genom att följa dessa steg lär du dig snabbt att spela onlinematcher... och som du kan se är det mycket enkelt, roligt och spännande! 0. SKAPA DITT EGET PERSONLIGA EMBLEM OCH DINA
Läs merTBSK 03 Teknik för avancerade datorspel. Jens Ogniewski Information Coding Group Linköpings universitet
TBSK 03 Teknik för avancerade datorspel Jens Ogniewski Information Coding Group Linköpings universitet Problemdefinition Fleranvändarspel på webben (framförallt MMPORG) populärare än lokala nätverk- eller
Läs merLegorobot. Lär dig programmera en legorobot. Teknikåttan 2009. Ola Ringdahl Lena Kallin Westin
Legorobot Lär dig programmera en legorobot. Teknikåttan 2009 Ola Ringdahl Lena Kallin Westin Legorobot Sid 2 (6) Legorobot Sid 3 (6) LEGOROBOT Syfte Syftet med denna praktiska uppgift är att man ska få
Läs merHierarchical Temporal Memory Maskininlärning
Hierarchical Temporal Memory Maskininlärning Innehåll Sammanfattning... 3 Inledning... 4 Vad är HTM?... 4 Hur fungerar HTM?... 4 Hierarchical... 4 Temporal... 5 Memory... 5 Hitta orsaker i världen... 5
Läs merARTIFICIELL INTELLIGENS
ARTIFICIELL INTELLIGENS ANN och evolution i shooterspel Examensarbete inom huvudområdet Datalogi Grundnivå 30 högskolepoäng Vårtermin 2012 Joakim Akterhall Handledare: Mikael Thieme Examinator: Mikael
Läs merInstruktion Finta/dribbla
Instruktion Du kan skilja på att finta och att dribbla Finta gör du före dribblingen Du kan finta utan att dribbla efteråt T.ex. en inläggsfint då du vänder och slår inlägget med andra foten istället Du
Läs mer[ÖVNINGSBANK] Sollentuna FK. Träffa linjen
Träffa linjen Övning nr. 1 Alla spelare samlas på en linje med boll. Avstånd till linjen som ska träffa ca 10-15 meter. Varje spelare försöker passa bollen mot linjen och låta den stanna exakt på linjen.
Läs merArtificiell intelligens i spel
Artificiell intelligens i spel En redogörelse Björn Larsson 871210-4036 bjola054 729G11 Sammanfattning Under år 2007 omsatte den svenska tv- och datorspelsmarknaden 2,3 miljarder kronor (nyteknik.se).
Läs merAI-Tekniker. För domänspecifika problemområden i StarCraft 2. Mattias Tiger Fredrik Präntare
AI-Tekniker För domänspecifika problemområden i StarCraft 2 Mattias Tiger Fredrik Präntare Introduktion och motivering Ni ska inför er individuella uppgift definiera ett problem och välja ut en eller flera
Läs merRoboten. Sida 1 av 11
EV3 ipad Roboten Fyra output portar A,B,C och D(motorer) Fyra input portar 1,2,3 och 4 (sensorer) USB, Bluetooth, eller Wi-Fi koppling 16 MB flash minne 64 MB RAM SD Card Port: 32 GB Flera inbyggda verktyg
Läs merSub-symbolisk kognition & Konnektionism. Kognitionsvetenskaplig Introduktionskurs (729G01) Mats Andrén,
Sub-symbolisk kognition & Konnektionism Kognitionsvetenskaplig Introduktionskurs (729G01) Mats Andrén, mats.andren@liu.se 1 Konnektionism Neutrala nät baseras på en (förenklad) modell av hur hjärnan fungerar.
Läs merSkolbrottning i praktiken
Skolbrottning i praktiken Handledning för dig som jobbar med barn i skolan Sportkommittén L-G Lundström, Raimo Ojala, Lars-Ola Särkimukka Kiruna 2010-04-11 Inledning Sedan 2008 har ett stort antal skolor
Läs merLinköpings universitet
Översikt Kognitionsvetenskaplig introduktionskurs Föreläsning 4 Informationsbearbetningsmodeller Vad är kognitionsvetenskap? Kort bakgrund/historik Representation och bearbetning av information Vetenskapliga
Läs merPROGRAMMERING. Ämnets syfte. Kurser i ämnet
PROGRAMMERING Ämnet programmering behandlar programmeringens roll i informationstekniska sammanhang som datorsimulering, animerad grafik, praktisk datoriserad problemlösning och användaranpassad konfiguration
Läs merAnvändarmanual Wapspel
Användarmanual Wapspel Innehållsförteckning No Refuge...2 Telefonkrav...2 Inloggning...3 Huvudmenyn...3 Spelet...4 Spelplanen...4 Radar...5 Extra tillbehör...6 Earthquake...6 Night mission...6 Datorspelare...6
Läs merPROGRAMMERING. Ämnets syfte. Kurser i ämnet
PROGRAMMERING Ämnet programmering behandlar programmeringens roll i informationstekniska sammanhang som datorsimulering, animerad grafik, praktisk datoriserad problemlösning och användaranpassad konfiguration
Läs merSpel som interaktiva berättelser
Spel som interaktiva berättelser Finns många typer av interaktivt berättande; ska titta närmare på spel eftersom de exemplifierar en rad aspekter av interaktivt berättande väldigt tydligt. Kan förstå spel
Läs merSLUTRAPPORT: TEXAS HOLDEM 4 FRIENDS
SLUTRAPPORT: TEXAS HOLDEM 4 FRIENDS Individuellt Mjukvaruutvecklingsprojekt (Utvecklare av digitala tjänster) Den 1 juni 2011 ABSTRAKT Rapporten tar upp positiva och negativa erfarenheter som jag erhållit
Läs merTotalt finns det alltså 20 individer i denna population. Hälften, dvs 50%, av dem är svarta.
EVOLUTION Tänk dig att det på en liten ö i skärgården finns 10 st honor av den trevliga insekten långvingad muslus. Fem av dessa är gula med svarta fläckar och fem är helsvarta. Det är samma art, bara
Läs merGame of 40. Regler och om sidan är in princip samma sak. Det som skiljer dem åt är att de inte har samma text.
Presentation av uppgiften Vi har fått i att skapa en webbapplikation med ett spelbart spel inbyt i sig. Eller som läraren formulerar sig: uppgiften är att skapa en webbapplikation där en eller flera spelare
Läs merHemuppgift #2 Enskede IK P-01:5 Spelarutveckling
Hemuppgift #2 Enskede IK P-01:5 Spelarutveckling Här kommer en repris på den hemuppgift som ni gjorde en gång tidigare. Nu vill vi att ni går hem och svarar på dessa frågor en gång till inför det utvecklingssamtal
Läs merFotbollsövningar UPPVÄRMING:
UPPVÄRMING: 1. Nummerboll Dela upp barnen i grupper om 4-6 som alla får varsitt nummer. Nummer ett börjar med bollen och skall passa till nummer två, osv. Viktigt med rörelse över stor del av planen, variera
Läs merArtificiell intelligens, eller Kommer din dator att bli klokare än dig? (eller kanske är den redan det?)
Artificiell intelligens, eller Kommer din dator att bli klokare än dig? (eller kanske är den redan det?) 1.a November 2011 Innan vi börjar R.I.P. John McCarthy (1924 2011) Grundare av ämnet artificiell
Läs merRegression med Genetiska Algoritmer
Regression med Genetiska Algoritmer Projektarbete, Artificiell intelligens, 729G43 Jimmy Eriksson, jimer336 770529-5991 2014 Inledning Hur många kramar finns det i världen givet? Att kunna estimera givet
Läs merVar bör fokus i träningen ligga? Det är väldigt viktigt att inte bara träna på rätt saker utan också att spendera rätt mängd tid på olika saker.
Var bör fokus i träningen ligga? Det är väldigt viktigt att inte bara träna på rätt saker utan också att spendera rätt mängd tid på olika saker. hur och/eller varför man gör något. Om spelarens förståelse
Läs merFATTA BESLUT (håll fast vid det, lita på det) = DETTA SKAPAR VARAKTIG FÖRÄNDRING. Det här gäller all förändring! Mat, rökning, golf etc.
Tänk i golf. Cai Nilsson Som människor styrs vi av inlärda vanor och mönster, att bryta dessa gör oss osäkra och otrygga. (matvanor, rökning, motion osv..) Dessa måste brytas och ersättas med nya för att
Läs merLedarhäfte Enskede IK. - Tips, råd och riktlinjer för 5-mannaledare inom Enskede IK
Ledarhäfte Enskede IK - Tips, råd och riktlinjer för 5-mannaledare inom Enskede IK Inledning Träningen ska främst vara rolig och lekbetonad i åldrarna 6-9 år. Leka, spela, lära och ha kul tillsammans med
Läs merProgrammering F-3. -dansprogrammering. Del 1
Programmering F-3 -dansprogrammering Del 1 Lärarhandledning till Dansprogrammering 2 Innehåll o o o o o o o o o o o o o o o o o o Det här behöver du... Dansprogrammering. Generellt upplägg. Tidsåtgång.
Läs merDYNAMISK SVÅRIGHETSGRAD MED GENETISK ALGORITM. En jämförelse mellan två tekniker för att snabba upp processen
DYNAMISK SVÅRIGHETSGRAD MED GENETISK ALGORITM En jämförelse mellan två tekniker för att snabba upp processen Examensarbete inom huvudområdet Datalogi Grundnivå 30 högskolepoäng Vårtermin 2012 Jesper Larsson
Läs merHur får jag ut kraft och nytta av POWER?
Hur får jag ut kraft och nytta av POWER? TOP 25 ARTIFICIAL INTELLIGENCE SOLUTION PROVIDERS - 2017 Christoffer Göransson 0733-408700 Christoffer.goransson@inoviagroup.se Agenda Kort om oss Inovia/AI Hur
Läs merFyra i rad Javaprojekt inom TDDC32
Fyra i rad Javaprojekt inom TDDC32 Analys och design-dokument Version 2.0 Datum 2008-05-19 Dokumentnummer 20080303 Sammanfattning Detta är analys och design-dokumentet för programmet Fyra i rad. Fyra i
Läs merBeskrivning av Gesällprov. Fia Med Knuff. Mikael Rydmark.
Beskrivning av Gesällprov Fia Med Knuff Mikael Rydmark rydmark@kth.se Mikael Rydmark 1(11) 10-05-05 Innehållsförteckning Inledning...3 Nytt spel...4 Regler... 6 Om Spelet... 7 Brädet... 7 Tärningen...8
Läs merHandbok Granatier. Mathias Kraus Översättare: Stefan Asserhäll
Mathias Kraus Översättare: Stefan Asserhäll 2 Innehåll 1 Inledning 5 2 Hur man spelar 6 3 Spelets regler, strategi och tips 7 3.1 Objekten........................................... 7 3.1.1 Arenan........................................
Läs merINNEHÅLLSFÖRTECKNING... 2 FÖRORD... 3 INLEDNING... 4 ATT ANVÄNDA MOTORERNA... 9 LOOP (UPPREPANDE) FUNKTIONEN... 10 SKAPA EN EGEN KLOSS...
GRUNDKURS INNEHÅLLSFÖRTECKNING INNEHÅLLSFÖRTECKNING... 2 FÖRORD... 3 INLEDNING... 4 SKÄRMUPPBYGGNAD... 4 ROBOT EDUCATOR... 5 PROGRAMMERINGSRUTAN... 5 KNAPPARNA OCH KLOSSARNA... 6 UPPGIFTER... 8 ATT ANVÄNDA
Läs merFotbollsskolan. fintdribbling.indd
Fotbollsskolan fintdribbling.indd 1 07-06-05 16.16.18 Välkommen till fotbollsskolan! Fotboll är en meningsfull sysselsättning året runt. För att få ett friskare och roligare liv och inte minst - för att
Läs mer[ÖVNINGSBANK] Sollentuna FK. Expressbollen
Expressbollen Övning nr. 1 2 lag på varje långlinje i en rektangel på 15x25 meter. o Viktigt att va tydlig med mitten, d.v.s. markera mitten med koner. Varje spelare har en boll. Leken går ut på att sparka
Läs merInlärning utan övervakning
Översikt Biologiska mekanismer bakom inlärning Inlärning utan övervakning Inlärning utan övervakning Hebbiansk modellinlärning Självorganisering Arbetsfördelning mellan noder i ett lager som utvecklas
Läs merArtificiell intelligens, eller Kommer din dator att bli klokare än dig? (eller kanske är den redan det?)
Artificiell intelligens, eller Kommer din dator att bli klokare än dig? (eller kanske är den redan det?) 4e november 2014 Intelligens Vad är det? ett mänskligt egenskap Kan det jämföras? Kan det mätas?
Läs merVi är alla i gruppen väldigt intresserade av spel och vill lära oss mer om hur man skapar ett helt spel från idé till slutprodukt.
Planeringsrapport Rally sport racing game Grupp 27 Bakgrund Idag växer spelindustrin enormt och tusentals nya spel kommer ut varje år så för att skapa ett spel som ska kunna säljas krävs att man har en
Läs merGenetisk variation är livsviktig för vitaliteten och ganska snabbt även en förutsättning för överlevnaden hos en art.
Naturens behov av genetisk variation Genetisk variation är livsviktig för vitaliteten och ganska snabbt även en förutsättning för överlevnaden hos en art. Då vi benämner en art i naturen som utrotningshotad
Läs merPROGRAMMERING. Ämnets syfte. Kurser i ämnet
PROGRAMMERING Ämnet programmering behandlar programmeringens roll i informationstekniska sammanhang som datorsimulering, animerad grafik, praktisk datoriserad problemlösning och användaranpassad konfiguration
Läs merCase-based resoning. och dess användning inom sjukvården. Linköpings universitet Artificiell intelligens II 729G11 HT 2011
Linköpings universitet Artificiell intelligens II HT 2011 Case-based resoning och dess användning inom sjukvården Sammanfattning Det här arbetet handlar om vad case-based resoning är, hur den funkar, vilka
Läs merTRÄNARUTBILDNING Solängens BK
1 TRÄNARUTBILDNING Solängens BK KURSDAG 2 07.30 Frukost 08.00-09.30 Ombytta och klara Teori Plan alt Hallen Praktik 6-9 år/ Praktik 10-13 år Anfallsspel/Försvar 09.45 12.00 B-Ungdom/C-Diplom 12.00 12.45
Läs merInstruktion Finta/dribbla
Instruktion Finta/dribbla Du kan skilja på att finta och att dribbla Finta gör du före dribblingen Du kan finta utan att dribbla efteråt T.ex. en inläggsfint då du vänder och slår inlägget med andra foten
Läs mer16. VOLLEY Volley är tillåtet dock inte på serven.
Spelregler 1. PLACERING AV SPELARNA Spelet spelas i par Spelarna står i områden som är belägna på varsin sida av nätet. Servaren sätter bollen i spel och mottagaren returnerar bollen. Mottagaren kan stå
Läs merEV3 Roboten. Sida 1 av 13
EV3 Roboten Fyra output portar A,B,C och D(motorer) Fyra input portar 1,2,3 och 4 (sensorer) USB, Bluetooth, eller Wi-Fi koppling 16 MB flash minne 64 MB RAM SD Card Port: 32 GB Flera inbyggda verktyg
Läs merKognitionsvetenskapliga Programmet LiU. AI i spelet Magicka. Gruppbeteende/Grupprörelser. Jonathan Nilsson
Kognitionsvetenskapliga Programmet LiU AI i spelet Magicka Gruppbeteende/Grupprörelser Jonathan Nilsson jonni544@student.liu.se 2011-09-01 2 Sammanfattning Den här fördjupningsuppgiften kommer handla om
Läs merFotbollsövningar 5-7 år. Lindsdals IF
Fotbollsövningar 5-7 år Lindsdals IF Övning: Passa genom mål Kommentar: Ta emot och passa eller passa direkt. Man kan tävla genom att räkna antal pass på tid. Övning: Driva bollen i en slalombana Kommentar:
Läs merSPELSYSTEM 4-4-2 för 18-19 åringar
SPELSYSTEM 4-4-2 för 18-19 åringar Göteborgs Fotbollförbund har en spelarutbildningsplan där det bl.a. ingår att en spelare bör känna till och behärska olika spelsystem med tillhörande utgångspositioner,
Läs merFMCK Malmö Boris Magnusson. Markering av Endurobana
FMCK Malmö Boris Magnusson Markering av Endurobana Markering av en Endurobana finns beskrivet i tävlingsreglementet, paragrafer 4.16-17-18 (se nedan) men dessa är ganska kortfattade. Detta PM är ett försöka
Läs merDigitalt lärande och programmering i klassrummet
2016-03-03 Digitalt lärande och programmering i klassrummet Blue-Bot Introduktion Vi kommer i denna övning att bekanta oss med små charmiga robotar som heter Blue-Bots. Dessa robotar är bra för att introducera
Läs merFörsvar. 1. Förberedande försvarsträinng (5 eller 6 spelare). 2. Försvar mot 1:a-tempo följt av 3:e-tempo (minst 6 spelare).
Försvar (! = även lämplig för nybörjare) 1. Förberedande försvarsträinng (5 eller 6 spelare). En passare i mitten (framme vid nät) och fyra försvarare/anfallare på position 1, 2, 4 & 5 (alternativt hel
Läs merSpel. 1 mot 1 på en spelplan som omfattar ca 2 m². Endast fingerslag (eller bagger) är tillåtet. Alternativt kan man tillåta tre beröringar "per lag".
Spel (! = även lämplig för nybörjare) 1. Spel som tvingar till val av snabba utvägar (minst 8 spelare). Med extra antenner två meter in från sidantennerna d v s man använder 4 antenner. 5 mot 5 (eller
Läs merHandbok Svarta lådan. Nicolas Roffet Robert Cimrman Philip Rodrigues Lauri Watts Översättare: Stefan Asserhäll
Nicolas Roffet Robert Cimrman Philip Rodrigues Lauri Watts Översättare: Stefan Asserhäll 2 Innehåll 1 Inledning 5 2 Hur man spelar 6 3 Spelets regler, strategier och tips 7 3.1 Spelregler..........................................
Läs merBRIDGE MASTER 2000 SCANDINAVIA av Fred Gitelman
BRIDGE MASTER 2000 SCANDINAVIA av Fred Gitelman installeras från det fönster, som automatiskt kommer upp, när CD-skivan sätts i datorn: Klicka till höger om INSTALLATION på flaggan för den version, som
Läs merInnan nicken. Nickteknik
Innan nicken Titta upp före du får bollen så du ser alternativen för pass eller avslut Du ser hur och vart du ska nicka och vilken typ av nick du ska använda Vid nick mot mål ser du målvaktens position
Läs merAtt programmera en Beethoven
Linköpings universitet Att programmera en Beethoven Fördjupning inom Neurala nätverk och LSTM 2018-01-03 Innehåll 1 Inledning- Musik och artificiell intelligens... 2 1.1 Historia... 2 1.2 Bakgrund AIVA...
Läs merSV Förenade i mångfalden SV. Ändringsförslag. Beatrix von Storch för EFDD-gruppen
9.2.2017 A8-0005/9 9 Punkt 1a (ny) 1a. Europaparlamentet uppmanar kommissionen att föreslå följande gemensamma unionsdefinitioner: Artificiell intelligens: ett datoriserat system som kan simulera en del
Läs merTeoretisk del. Facit Tentamen TDDC (6)
Facit Tentamen TDDC30 2014-08-29 1 (6) Teoretisk del 1. (6p) "Snabba frågor" Alla svar motiveras väl. a) Vad är skillnaden mellan synligheterna public, private och protected? (1p) Svar:public: Nåbar för
Läs merSKOLFS. beslutade den -- maj 2015.
SKOLFS Föreskrifter om ändring i Skolverkets föreskrifter (SKOLFS 2010:247) om ämnesplan för ämnet programmering i gymnasieskolan och inom kommunal vuxenutbildning på gymnasial nivå; beslutade den -- maj
Läs merRegler för fotboll i spelformen 9 mot 9
Förklaring till spelreglerna I spelformen 9 mot 9 tillämpas inte Regel 6: Övriga matchfunktionärer. Regel 1: Spelplanen Planytan ska vara 65 72 meter x 50 55 meter, och straffområdet ska vara 24 x 9 meter
Läs merUtförliga regler för TRAX
Utförliga regler för TRAX Innehållsförteckning Vad är TRAX? Sid 2 Grundregler för TRAX Sid 3 Vad är en tvingad yta? Sid 4 Vad är en vinnande ögla? Sid 6 Vad är en vinnande linje? Sid 7 Grundläggande strategiska
Läs merSpel och träningsplan Knarrbackens ungdomslag. Inledning Detta dokument vänder sig till tränare och ledare för 5 och 7-mannalag i Knarrbackens FC.
Inledning Detta dokument vänder sig till tränare och ledare för 5 och 7-mannalag i Knarrbackens FC. Syftet är att inriktningen på fotbollen för barnen blir den rätta och att den inte skenar iväg åt fel
Läs merÖvningar. Utespelare
Övningar Utespelare Teckenförklaringar - Anfallande spelare (Våra egna spelare i detta dokument). - Försvarande spelare/motståndare M - Målvakt - Småmål - Koner - Madrass - Skott/Avslut L - Ledare - Rörelse
Läs merARTIFICIELLA EKOSYSTEM SOM ARTIFICIELL INTELLIGENS I ACTIONROLLSPEL
ARTIFICIELLA EKOSYSTEM SOM ARTIFICIELL INTELLIGENS I ACTIONROLLSPEL En jämförelse av algoritmer och deras anpassning till realtids-spel ARTIFICIAL ECOSYSTEMS AS ARTIFICIAL INTELLIGENCE IN ACTION ROLE PLAYING
Läs merKALLE ANKA CUP Matchskola
KALLE ANKA CUP Matchskola Kalle Anka Cup matchskola är uppdelad i fem avsnitt Sida Så ser tennisbanan ut 2 Så räknar du 4 Så spelar du singel 5 Så spelar du dubbel 7 Första matchen 8 Sida 1 av 10 Så ser
Läs merKravspecifikation. Sammanfattning. Fyra i rad Javaprojekt inom TDDC32. Version 2.0. Datum Dokumentnummer
Kravspecifikation Fyra i rad Javaprojekt inom TDDC32 Version 2.0 Datum 2008-05-19 Dokumentnummer 20080215 Sammanfattning Detta är en kravspecifikation över det klassiska spelet Fyra-i-rad programmerat
Läs mer