AbstrakKini, semakin ramai penyelidik telah menunjukkan minat mengkaji permainan Kecerdasan Buatan (KB).Permainan seumpama ini menyediakan tapak uji yang sangat berguna dan baik untuk mengkaji asasdan teknik-teknik KB. Teknik KB, seperti pembelajaran, pencarian dan perencanaan digunakan untukmenghasilkan agen maya yang mampu berfikir dan bertindak sewajarnya dalam persekitaran permainanyang kompleks dan dinamik. Dalam kajian ini, satu set pengawal permainan autonomi untuk pasukan hantudalam permainan Ms. Pac-man yang dicipta dengan menggunakan penghibridan Evolusi PengoptimumanMultiobjektif (EPM) dan ko-evolusi persaingan untuk menyelesaikan masalah pengoptimuman dua objektifiaitu meminimumkan mata dalam permainan dan bilangan neuron tersembunyi di dalam rangkaianneural buatan secara serentak. Arkib Pareto Evolusi Strategi (APES) digunakan, teknik pengoptimumanmultiobjektif ini telah dibuktikan secara saintifik antara yang efektif di dalam pelbagai aplikasi. Secarakeseluruhannya, keputusan eksperimen menunjukkan bahawa teknik pengoptimuman multiobjektif bolehmendapat manfaat daripada aplikasi ko-evolusi persaingan
Abstract
Recently, researchers have shown an increased interest in game Artificial Intelligence (AI). Gamesprovide a very useful and excellent testbed for fundamental AI research. The AI techniques, such aslearning, searching and planning are applied to generate the virtual creatures that are able to think andact appropriately in the complex and dynamic game environments. In this study, a set of autonomousgame controllers for the ghost team in the Ms. Pac-man game are created by using the hybridizationof Evolutionary Multiobjective Optimization (EMO) and competitive coevolution to solve the bi-objectiveoptimization problem of minimizing the game's score by eating Ms. Pac-man agent and the number ofhidden neurons in neural network simultaneously. The Pareto Archived Evolution Strategy (PAES) is usedthat has been proved to be an effective and efficient multiobjective optimization technique in variousapplications. Overall, the results show that multiobjective optimizer can benefit from the application ofcompetitive coevolutionary
An Evolutionary Multiagent Framework for Multiobjective Optimization