lukic-aleksandar
commented
5 years ago Tema odobrena. Ostavi link ka GitHub repozitorijumu projekta. Srećan rad.
Open nenad-misic opened 5 years ago
lukic-aleksandar
commented
5 years ago Tema odobrena. Ostavi link ka GitHub repozitorijumu projekta. Srećan rad.
nenad-misic
commented
5 years ago Link ka repozitorijumu projekta: https://github.com/nenad-misic/Tetris-AI
Članovi tima: Nenad Mišić, SW-31/2016, Grupa 1
Asistent: Aleksandar Lukić
Problem koji se rešava: Implementacija agenta koji igra igru tetris i pokušava da maksimizuje svoj skor. Ideja je da se naprave dva agenta čije se ponašanje ocenjuje i upoređuje. Jedan igra prateći Greedy search algoritam, dok će drugi igrati po algoritmu aproksimiranog Q-učenja. Skor koji agent dobija biće računat po standardnim pravilima tetrisa, o čemu se detaljnije može videti ovde: link Ideja je da što više redova spoji u jednom potezu više poena dobija.
Kako i Greedy search algoritam i aproksimirano Q-učenje zahtevaju opis stanja putem feature-a, pokušaću da izdvojim pojedine kao što su:
Pored ovih feature-a, postoji mogućnost pronalaženja još nekih i testiranja koje rešenje se bolje ponaša u realnom okruženju. Ideja za ove feature-e je pronadjena u sledećem radu: link
Tehnologija koja će biti korišćena: Python 3 uz pygame biblioteku za iscrtavanje interfejsa Pomoć pri dizajniranju grafičkog interfejsa biće iskorišćena sa sledećeg projekta: link
Algoritam/algoritmi: Greedy search algoritam i aproksimirano Q-učenje. Razlog odabira greedy search-a umesto A* algoritma je to što je cena svakog koraka u igri jednaka, pa nema smisla uzimati je u obzir pri računanju.
Metrika za merenje performansi: Poređenje ova dva algoritma međusobno. Poređenje će se izvršavati sa jednakim rasporedom padanja figurica, tako da će proces merenja biti determinističan. Metrika koja će se ocenjivati je skor koji agenti postižu nakon 20, 50 i 100 figurica.
Validacija rešenja: Demonstriranje rešenja na odbrani projekta uživo kao i video snimak koji pokazuje scenario igranja na dužem periodu.