HTW > KI
 

Motivation

Für Rosenkönig wurde ein künstlicher Spieler entworfen, der seine Entscheidungen auf Basis eines Neuronalen Netzes trifft. Dabei wird als Input des Netzes die aktuelle Spielsituation (siehe Funktionsweise des Neurospielers) kodiert, der Netzoutput bestimmt, welche Karte gespielt oder ob eine Karte gezogen wird. Trainingsdaten können durch menschliche Spieler erzeugt werden, indem jeweils die aktuelle Spielsituation gespeichert wird. Zu jeder Spielsituation wird außerdem die vom Spieler getroffene Entscheidung gespeichert (siehe auch Bedienung).

Ein neuer KI-Spieler kann nun mittels des Trainerdialogs erstellt, trainiert und gespeichert werden, er kann dann im Spiel eingesetzt werden.

Das Neuronale Netz ist ein Feed Forward Netz, das wahlweise eine SOM als Inputschicht enthalten kann. Die Anzahl der verdeckten Schichten ist beliebig, die Eingangsschicht enthält 313 Neuronen, das Netz hat 6 Ausgabeneuronen. Das eigentliche Problem besteht nun in der Ermittlung einer geeigneten Netzstruktur, so dass das Netz in der Lage ist, sinnvolle Spielentscheidungen zu treffen. Da das Training mittels Backpropagation erfolgt und die Komplexität des Spiels relativ große Trainingsdatensätze (mehrere hundert Pattern) erfordert, gestaltet sich die Findung einer Netzstruktur durch Ausprobieren als schwierig. Weiterhin ist das Training äußerst zeitaufwändig, ein Trainingsprozess mit 4000 Zyklen bei einem durchschnittlich großen Netz dauert ca. 6-8 Stunden.

Da für Rosenkönig, im Gegensatz zu anderen Spielen wie z.B. Schach, keine umfassenden spieltheoretischen (strategischen) Abhandlungen existieren und das Spiel (durch das Ziehen der verdeckten Karten) auch Zufallselemente enthält, ist es schwierig, eine Spielentscheidung zu "berechnen". Zu diesem Zweck wären umfangreiche Analysen nötig gewesen, außerdem handelt es sich bei Rosenkönig um einen Beleg im Bereich der Künstlichen Intelligenz, so dass nach anderen Möglichkeiten gesucht wurde.

Zur Ermittlung einer günstigen Netzstruktur bietet sich vor allem der Genetische Algorithmus als Lösungsmöglichkeit an.