| Summary: | When most people play games, they attempt to intuitively come up with a winning strategy. However, algorithmic ways of synthesizing winning strategies for games does exist. These methods usually requires an abstract way of representing the game. One way of constructing such an abstract representation is known as knowledge-based subset construction (KBSC). This thesis explores the possibility of modeling real-world problems as games of imperfect information, as well as the possibility and feasibility of synthesizing knowledge-based strategies from the model with the help of KBSC. This is done by first synthesizing a strategy for a simple real-world problem through intuitive reasoning. Then attempting to model the same problem as a game of imperfect information, applying KBSC on it, and synthesizing a knowledge-based strategy from that. The problem that was chosen for modeling, was that of an automatic vacuum cleaning robot with a broken navigation system, tasked with vacuum cleaning two rooms. It was found that it is indeed possible to model real-world problems as games of imperfect information and to synthesize knowledge-based strategies for them with the help of KBSC. The knowledge-based strategy was found to be 20% more effective than the one synthesized through intuitive reasoning. However this was a rather simple problem in and of itself, and it was also limited to only a single agent. Furthermore the sample size of people attempting to synthesize strategies through intuitive reasoning was extremely limited. Thus further study is needed to verify the findings presented in this thesis. === Oftast när en person spelar ett spel så försöker han eller hon intuitivt komma fram till vinnande strategier. Men det finns även algoritmiska sätt att syntetisera vinnande strategier för spel. Dessa metoder kräver vanligtvis ett abstrakt sätt att representera spelet. Ett sätt att konstruera en sådan abstrakt representation är KBSC, eller "knowledge-based subset construction". Detta kandidatarbete undersöker möjligheten att modellera verkliga problem som spel av ofullständig information, samt möjligheten och genomförbarheten av att syntetisera kunskapsbaserade strategier från modellen med hjälp av KBSC. Detta genomförs genom att först syntetisera en strategi för ett enkelt verkligt problem genom ett intuitivt resonemang. Därefter modelleras samma problem som ett spel av ofullständig information, sedan tillämpas KBSC på modellen och en kunskapsbaserad strategi syntetiseras utifrån det. Problemet som valdes för modellering var det av en automatisk robotdammsugare med ett trasigt navigationssystem, med uppgiften att dammsuga två rum. Det visade sig att det faktiskt var möjligt att modellera verkliga problem som spel av ofullständig information och att syntetisera kunskapsbaserade strategier för dem med hjälp av KBSC. Den kunskapsbaserade strategin visade sig vara 20% mer effektiv än den som syntetiserades genom intuitivt resonemang. Detta var dock ett ganska enkelt problem och det var också begränsat till endast en enda agent. Dessutom var antalet personer som försökte syntetisera strategier genom intuitivt resonemang extremt begränsad. På grund av detta behövs ytterligare undersökning för att verifiera resultaten som presenteras i detta kandidatarbete.
|
|---|
