BOARD GAME
1. THEORY GAME
Teori game
adalah suatu model matematika yang diterapkan untuk menganalisa situasi
persaingan dan konflik antara berbagai kepentingan sehingga dapat
mengambil suatu keputusan. Teori permainan ini awalnya dikembangkan oleh
seorang ahli matematika perancis yang bernama Emile Borel pada tahun
1921. Yang selanjutnya dikembangkan lebih lanjut oleh John Van Neemann
dan Oskar Morgenstern sebagai alat untuk merumuskan perilaku ekonomi
yang bersaing. John Van Neemann dan Oskar Morgenstern mengungkapkan
bahwa, “Permainan terdiri atas sekumpulan peraturan yang membangun
situasi bersaing dari dua sampai beberapa orang atau kelompok dengan
memilih strategi yang dibangun untuk memaksimalkan kemenangan sendiri
atau pun untuk meminimalkan kemenangan lawan. Peraturan-peraturan
menentukan kemungkinan tindakan untuk setiap pemain, sejumlah keterangan
diterima setiap pemain sebagai kemajuan bermain, dan sejumlah
kemenangan atau kekalahan dalam berbagai situasi.”
Dari pengertian
diatas dapat disimpulkan bahwa, teori bermain adalah merupakan suatu
teori yang mengedepankan konsep konsep dalam suatu permainan sebagai
landasan. Dimana didalam permainan terdapat peraturan, yang secara
langsung mampu menciptakan situasi bersaing dan digunakan untuk mencari
strategi terbaik dalam suatu aktivitas, dimana setiap pemain didalamnya
sama-sama mencapai utilitas tertinggi.
Types Of Game
Teori permainan mengklasifikasikan permainan sesuai dengan jumlah
pemain, jenis sasaran yang dimiliki pemain tersebut, dan informasi yang
dimiliki setiap pemain tentang permainan tersebut.
1.Number Of Players
Permainan papan yang mengilhami algoritma AI berbasis giliran
hampir semuanya memiliki dua pemain. Sebagian besar algoritma populer dibatasi
oleh dua pemain dalam bentuknya yang paling dasar. Mereka dapat disesuaikan
untuk digunakan dengan jumlah yang lebih besar, namun jarang menemukan
deskripsi tentang algoritma untuk hal lain selain dua pemain.
2.The Goal of the Game
Dalam kebanyakan game strategi, tujuannya adalah untuk menang.
Sebagai pemain, Anda menang jika semua lawan Anda kalah. Ini dikenal sebagai
permainan zero-sum: kemenangan Anda adalah kehilangan lawan. Jika Anda mencetak
1 poin untuk menang, maka akan sama dengan skor-1 karena kalah. Ini tidak akan
terjadi, misalnya, dalam permainan kasino, saat Anda semua bisa keluar lebih
buruk.
Dalam permainan zero-sum tidak masalah jika Anda mencoba untuk
menang atau jika Anda mencoba membuat lawan kalah; thecomeisthesame.Foranon-zero-sumgame,
di mana Anda bisa menemukan semua yang Anda inginkan, Anda ingin melakukan
fokus pada kemenangan Anda, mengumpulkankan semua hasil akhir (kecuali jika
Anda ada orang lain)
Untuk game dengan lebih dari dua pemain, semuanya lebih kompleks.
Bahkan dalam permainan zero-sum, strategi terbaik tidak selalu membuat lawan
masing-masing kalah. Mungkin lebih baik untuk mengeroyok lawan terkuat, memberi
keuntungan pada lawan yang lebih lemah dan berharap bisa menjemput mereka
nanti.
3.Information
Dalam game seperti Chess, Drafts, Go, dan Reversi, kedua pemain
mengetahui segala hal yang perlu diketahui tentang kemungkinan terjadinya hal
tersebut. Mereka mengetahui berapa banyak yang harus dilakukan pada setiap
kesempatan dan kesempatan untuk melakukan langkah selanjutnya. Mereka tahu
semua ini sejak awal permainan. Game semacam ini disebut "informasi yang
sempurna." Meskipun Anda tidak tahu mana yang akan dipilih lawan Anda,
Anda memiliki pengetahuan lengkap tentang setiap gerakan yang mungkin bisa
dilakukan lawan dan efek yang dimilikinya.
4. Applying Algorithms
Algoritma yang paling dikenal dan paling maju untuk game berbasis
giliran dirancang untuk bekerja dengan permainan informasi dua pemain,
zero-sum, sempurna. Jika Anda menulis AI bermain catur, maka ini adalah
implementasi yang Anda butuhkan. Tapi banyak game komputer berbasis turn over
lebih rumit, melibatkan lebih banyak pemain dan informasi yang tidak sempurna.
1.2 Algoritma Minimaxing
Sebuah komputer memainkan permainan berbasis giliran dengan
melihat tindakan yang ada pada gerakan ini dan memilihnya daripadanya. Untuk
memilih salah satu dari mereka, dibutuhkan stok sekarang apa yang bergerak
lebih baik daripada yang lain. Pengetahuan ini diberikan ke komputer oleh
programmer menggunakan heuristik yang disebut fungsi evaluasi statis.
1.3 Transposition Tables anda Memory
Sejauh ini algoritma yang kita lihat mengasumsikan bahwa setiap
gerakan mengarah ke posisi papan yang unik. Seperti yang kita lihat sebelumnya,
posisi dewan yang sama dapat terjadi sebagai hasil kombinasi gerakan yang
berbeda. Dalam banyak game posisi board yang sama bahkan bisa terjadi beberapa
kali dalam game yang sama. Agar pekerjaan ekstra mencari posisi dewan yang sama
beberapa kali, algoritma dapat menggunakan tabel transposisi. Meskipun tabel
transposisi dirancang untuk menghindari duplikasi pekerjaan pada transposisi,
namun tabel tersebut memiliki manfaat tambahan. Beberapa algoritma mengandalkan
tabel transposisi sebagai memori kerja posisi papan yang telah dipertimbangkan.
Teknik seperti tes yang ditingkatkan memori, pendalaman berulang, dan berpikir
pada giliran lawan Anda semua menggunakan tabel transposisi yang sama (dan
semua diperkenalkan di bab ini). Tabel transposisi menyimpan catatan posisi
papan dan hasil pencarian dari posisi itu. Ketika sebuah algoritma diberi
posisi papan, pertama-tama periksa apakah papan itu ada dalam memori dan
gunakan nilai yang tersimpan jika benar. Membandingkan status permainan yang
lengkap adalah prosedur yang mahal, karena keadaan permainan mungkin berisi
puluhan atau ratusan item informasi. Membandingkan ini dengan keadaan tersimpan
dalam ingatan akan memakan waktu lama. Untuk mempercepat pemeriksaan tabel
transposisi, nilai hash digunakan.
1.4 . Memori tambahan pda uji algoritma
Algoritma memory-enhanced test (MT) bergantung pada adanya tabel
transposisi yang efisien untuk bertindak sebagai algoritma'memory. MT hanyalah
sebuah negamax AB nol-lebar, menggunakan tabel transposisi untuk menghindari
duplikat pekerjaan. Keberadaan memori memungkinkan algoritma melompati pohon
pencarian melihat gerakan yang paling menjanjikan terlebih dahulu. Sifat
rekursif dari algoritma negamax berarti bahwa ia tidak dapat melompat; itu
harus menggelembung dan recurse down.
1.5 Pembukaan buku dan set permainan
Dalam banyak permainan, selama bertahun-tahun, pemain ahli telah
membangun sebuah pengalaman tentang pergerakan mana yang lebih baik daripada
yang lain di awal permainan. Tempat ini lebih jelas daripada di buku pembuka
Catur. Pakar ahli mempelajari database besar kombinasi pembuka tetap, belajar
tanggapan terbaik untuk bergerak. Hal ini tidak biasa untuk 20 sampai 30
langkah pertama dari permainan Catur Grandmaster yang akan direncanakan
sebelumnya. Buku pembuka adalah daftar urutan bergerak, bersama dengan beberapa
indikasi seberapa bagus hasil rata-rata akan menggunakan urutan tersebut.
Dengan menggunakan seperangkat aturan ini, komputer tidak perlu mencari
menggunakan minimaxing untuk menentukan langkah terbaik yang akan dimainkan.
Ini hanya bisa memilih langkah selanjutnya dari urutan, selama titik akhir dari
urutan itu bermanfaat baginya.
Membuka database buku dapat diunduh untuk beberapa permainan yang
berbeda, dan untuk game terkemuka seperti database komersial Chess tersedia
untuk lisensi ke dalam game baru. Untuk game berbasis giliran asli, buku
pembuka (jika berguna) perlu dibuat secara manual.
1.6 Optimisasi
Meskipun dasar permainan-bermain algoritma masing-masing relatif
sederhana, mereka memiliki array membingungkan optimasi yang berbeda. Beberapa
pengoptimalan ini, seperti pemangkasan dan tabel transposisiAB, sangat penting
untuk kinerja yang baik. Pengoptimalan lainnya cukup memanfaatkan sebagian
besar kinerja. Bagian ini membahas beberapa pengoptimalan lainnya yang
digunakan untuk turn-basedAI. Tidak ada cukup ruang untuk mencakup detail
pelaksanaan untuk sebagian besar dari mereka. Lampiran memberi petunjuk lebih
jauh
informasi tentang pelaksanaannya Selain itu, optimasi khusus yang
digunakan hanya dalam jumlah yang relatif kecil dari permainan papan tidak
disertakan. Catur, khususnya, memiliki keseluruhan rakit pengoptimalan khusus
yang hanya berguna dalam sejumlah kecil skenario lainnya.
1.7 Turn Base strategy game
Bab ini memusatkan perhatian pada game board AI. Di hadapannya,
game board AI memiliki banyak kemiripan permainan strategi berbasis toturn.
Game strategi komersial jarang menggunakan teknik pencarian pohon di bab ini
sebagai alat utama mereka. Kompleksitas permainan ini berarti algoritma
pencarian macet sebelum mereka dapat membuat keputusan yang masuk akal. Teknik
pencarian yang paling sederhana dirancang untuk permainan informasi dua pemain,
zero-sum, informasi sempurna, dan banyak pengoptimalan terbaik tidak dapat
disesuaikan untuk digunakan dalam permainan strategi umum. Beberapa permainan
strategi berbasis turn-turn sederhana dapat langsung diperoleh dari algoritme
pencarian pohon di bab ini. Konstruksi penelitian dan konstruksi, gerakan
pasukan, dan aksi militer semuanya bisa menjadi bagian dari serangkaian
kemungkinan pergerakan. Posisi dewan tetap statis selama sebuah pergantian.
Antarmuka permainan yang diberikan di atas dapat, secara teori, diterapkan
untuk mencerminkan turn- permainan berbasis Antarmuka yang diterapkan ini
kemudian dapat digunakan dengan algoritma pencarian pohon reguler.
SUMBER:
http://www.catatanfadil.com/2014/03/teori-game.htmlhttp://www.tentik.com/10-board-games-seru-yang-wajib-dimainkan-bareng-sahabat-monopoli-mah-lewat/
https://kummara.com/media-coverage/kummara-pionir-board-game-indonesia
Tidak ada komentar:
Posting Komentar