Download to read offline
Codevs5.0勉強会
- 1. CODEVS 勉強会 CODEVS 入門編〜 はじめてのAI 〜 チームラボ 林 輝大
- 2.
- 3. 自己紹介 氏名：林 輝大 出身：長野県（長野高専専攻科卒） 職歴：チームラボ新卒4年目 役職：エンジニア レコメンデーションチーム（パッケージ導入 /分析） CODEVS / CodeRunner のチームラボ内プロジェクトマネージメント
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12. その前に… 現在コンテストは開催しておりません 次のコンテスト（CODEVS 5.0）は来年頭を予定しています 過去のコンテストのゲームで遊んだり、対戦は出来ます CODEVS 3.0、CODEVS4.0のみ CODEVS、CODEVS 2.0 のゲームの復刻は現在検討中 今回の勉強会はCODEVS 3.0で説明しやすいから ルールが理解しやすいから（ボンバーマンと聞いてルールが想像できますか？）
- 13.
- 14.
- 15.
- 16.
- 17. 善は急げ 早速サンプルコードを落としてみましょう！ 公式サイトにアクセス！（https://codevs.jp/） ログイン > アーカイブ> CODE VS 4.0 開催ゲーム ここ！ 一緒にやってみましょう ここ！
- 18.
- 19. サンプルコードを動かしてみよう！ $ javac SampleAI.java $g++ sampleAI.cpp -o sampleAI Javaサンプルコードのコンパイル C++サンプルコードのコンパイル 一緒にやってみましょう
- 20.
- 21.
- 22.
- 23.
- 24.
- 25.
- 26.
- 27.
- 28.
- 29.
- 30.
- 31.
- 32.
- 33.
- 34.
- 35.
- 36.
- 37.
- 38.
- 39.
- 40. ゲーム木探索（mini-max法） 3 7 52 6 9 1 4 8 3 2 1 自分の手番 自分の手番 相手の手番 他の枝も探索する 他の枝も探索する
- 41. ゲーム木探索（mini-max法） 3 7 52 6 9 1 4 8 3 2 1 3 自分の手番 自分の手番 相手の手番 分岐先の最大値を取る （自分にとって良い手）
- 42.
- 43.
- 44. ゲーム木探索（α-β法） 3 7 52 6 9 1 4 8 自分の手番 自分の手番 相手の手番 mini-max法で紹介した ゲーム木と同じ
- 45. ゲーム木探索（α-β法） 3 7 52 6 9 1 4 8 自分の手番 自分の手番 相手の手番 ここまでは同じように 探索する
- 46. ゲーム木探索（α-β法） 3 7 52 6 9 1 4 8 3 自分の手番 自分の手番 相手の手番 最小値をいれる
- 47. ゲーム木探索（α-β法） 3 7 52 6 9 1 4 8 3 自分の手番 自分の手番 相手の手番 ここを探索
- 48. ゲーム木探索（α-β法） 3 7 52 6 9 1 4 8 3 自分の手番 自分の手番 相手の手番 比較すると探索した結果の方が 評価が低い ⇒ 自分の手番では採用されない ⇒ これ以上探索しなくてよい！
- 49. ゲーム木探索（α-β法） 3 7 52 6 9 1 4 8 3 2 自分の手番 自分の手番 相手の手番 これを入れる ここは探索しない
- 50. ゲーム木探索（α-β法） 3 7 52 6 9 1 4 8 3 2 自分の手番 自分の手番 相手の手番相手の手番中の最大評価と比較 小さい！
- 51. ゲーム木探索（α-β法） 3 7 52 6 9 1 4 8 3 2 1 3 自分の手番 自分の手番 相手の手番 あとは同じ
- 52. ゲーム木探索（α-β法） 3 7 52 6 9 1 4 8 3 2 1 3 自分の手番 自分の手番 相手の手番 4回分探索しなくて済んだ！ でも結果はmini-max法と同じ
- 53.
- 54. ゲーム木探索（モンテカルロ法） モンテカルロ法 (モンテカルロほう、Monte Carlomethod, MC) とはシミュレーシ ョンや数値計算を乱数を用いて行う手法の総称。元々は、中性子が物質中を動き 回る様子を探るためにスタニスワフ・ウラムが考案しジョン・フォン・ノイマン により命名された手法。カジノで有名な国家モナコ公国の4つの地区（カルテ ィ）の1つであるモンテカルロから名付けられた。ランダム法とも呼ばれる。 ―― Wikipedia より
- 55.
- 56.
- 57. ゲーム木探索（モンテカルロ法） 良い状態である確率 3 / 9= 0.333... 良い状態である確率 4 / 9 = 0.444... 良い状態である確率 6 / 9 = 0.666... この手が良さそう！
- 58.
- 59.
- 60.
- 61.
- 62. CODEVS 3.0のサンプルコードを見返す サンプルコードのアルゴリズムは下記の通り 全く攻撃してこない敵に、近づき、倒すことを目指し、以下のアルゴリズムで行動する。 0. 簡単のため、自キャラ2体を同じマスに重ねて、以後同じ行動をさせる。 1.移動できるマスのうち、敵に最も近いマスに移動する。 2. (1)で移動したマスに着いたら、魔法陣を設置する。 3. 魔法の発動に巻き込まれない場所まで移動する。 4. (1)に戻る。 シミュレーターを使用していないルールベースのAI つまり相手の行動を予測したりできない ゲーム木探索もできない 完璧なルールを作りあげることはむずかしい
- 63. ルールベースのAIは弱いのか？ ルールベースのAIだから弱いわけではない ルールベースじゃないとまともに動かないゲームもある CODEVS 3.0 ではゲーム木探索が強いだけ CODEVS4.0はルールベースのAIが多い 次の盤面の状態が多く、ゲーム木を簡単には探索できないため ユニット毎の目的がはっきりしているため、ルールに落としやすい （生産ユニットは資源集め、戦闘ユニットは城攻め） 戦略がAIの強さを左右する 【CODEVS 4.0 ルール】 ● 資源を集めて、施設を立てて、戦士を生産して、相手の城を攻め落とそう ● ユニットは全部で4種類（生産ユニット1種類、戦闘ユニット3種類） ● 建物は3種類（村、拠点、城） ● ユニットがとれる行動は移動 ● 建物が取れる行動はユニットの生産
- 64. AI作成ポイント 盤面の状態がどれだけあるかを把握し、AI作成の指針を決める 状態が極めて多い → ルールベースなAI 状態がある程度限られる→ ゲーム木探索を用いたAI ゲーム木探索を用いる場合 計算量を減らす工夫をする（既存の手法があるので探して使う） ゲームの性質によって探索方法を変える 対戦相手が居ない場合 → ビームサーチ、焼きなましなど 対戦相手が居る場合 → mini-max法、α-β法、モンテカルロ法など
- 65.
- 66.
- 67.
- 68.
- 69.