| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
MI balstīta dziņa izstrāde spēlei “Bloons TD5” |
| Nosaukums angļu valodā |
Development of an AI-Based Engine for the Game “Bloons TD5” |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Vita Šakele |
| Recenzents |
Egons Lavendelis |
| Anotācija |
Mūsdienās, lai gan mākslīgā intelekta (MI) risinājumi ir plaši pielietoti dažādos spēļu žanros, torņu aizsardzības spēlēs to izmantošana joprojām ir ierobežota. Torņu aizsardzības veida spēlēs bieži dominē spēlētāja brīvā stratēģiskā izvēle un dinamiski mainīgi apstākļi, kas rada izaicinājumus MI algoritmu piemērošanai.
Bakalaura darbā ir izstrādāts mākslīgajā intelektā (MI) balstīts dzinis torņu aizsardzības spēlei “Bloons TD5”. Darba ietvaros ir analizēta pilnīgas un daļējas novērojamās vides informācija, kā arī mākslīgā intelekta algoritmi un to pielietojums stratēģisko aizsardzības spēļu kontekstā. Ir veikta spēles “Bloons TD5” mehānikas izpēte, lai noteiktu piemērotākos algoritmus.
Dzinis sastāv no vairākiem Python moduļiem, kas kopīgi nodrošina spēles elementu atpazīšanu, torņu novietošanu, uzlabojumu veikšanu un algoritmu mijiedarbību ar spēles vidi. Dzinī ir integrēti PPO un DQN algoritmi, kuri apmācīti stimulētās mācīšanās vidē, izmantojot attēlu apstrādi un spēles ekrāna analīzi.
Izstrādātais dzinis ir testēts eksperimentāli, lai novērtētu tā veiktspēju un spēju pieņemt stratēģiskus lēmumus spēles gaitā, salīdzinot ar cilvēka spēlētāja sniegumu.
Dati par darba apjomu - 53 lappuses, 24 attēli, 11 tabulas, 4 pielikumi un 28 izmantotie informācijas avoti. |
| Atslēgas vārdi |
MI dzinējs, mākslīgais intelekts (MI), Bloons TD5, torņu aizsardzības spēle, PPO (proksimālā politikas optimizācija), DQN (dziļā Q-mācīšanās), politikas mācīšanās, stimulētā mācīšanās (RL). |
| Atslēgas vārdi angļu valodā |
AI engine, artificial intelligence (AI), Bloons TD5, tower defense game, PPO (proximal policy optimization), DQN (deep Q-learning), policy learning, reinforcement learning (RL). |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
27.05.2025 18:37:54 |
