PERILAKU AGEN PADA PERMAINAN TINJU MENGGUNAKAN ALGORITMA GENETIK

Anang Kukuh Adisusilo, Mochamad Hariadi, Ahmad Zaini, Supeno Mardi Susiki Nugroho

Abstract

Dalam pemodelan perilaku agen sering digunakan FSM (Finite State Machine) berdasar variabel random yang merupakan distribusi nilai acak. Penggunaan distribusi acak akan sulit membuat perilaku agen yang dinamis bahkan kesulitan untuk mencapai nilai optimal. Dalam permainan tinju perilaku agen tinju dipengaruhi oleh beberapa faktor antara lain adalah teknik gerakan bertinju, jenis pukulan tinju, stamina dan energi pukulan. Faktor – faktor yang mempengaruhi perilaku agen dalam permainan tinju sulit mencapai nilai optimal jika menggunakan FSM dengan menggunakan varibel random. Pada penetian ini untuk memperoleh nilai optimal perilaku agen dalam permainan tinju digunakan pembangkit FSM berbasis algoritma genetika (Genetic Algorithms / GA). Dari hasil penelitian dengan menggunakan pembangkit FSM berbasis algoritma genetika dihasilkan rata- rata fitness yang merupakan nilai optimal perilaku agen tinju yaitu 0.96. Nilai optimal deret kromosom algoritma genetika yang sudah menunjukkan bahwa agen tinju akan cenderung untuk maju kearah lawan dan energi yang dipakai untuk pukulan sudah cenderung sedikit, serta menggunakan jenis pukulan yang mempunyai objektivitas tinggi

Full Text:

PDF

References

Chek Tien Tan and Ho-lun Cheng, “A Combined Tactical and Strategic Hierarchical Learning Framework in Multi-agent Games”, International journal of Computer Games Technology Volume 2011 (2011).

Andreas Pfeifer, Prof. Dr. Johannes Furnkranz, “ Creating Adaptive Game Al in a Real Time Continuous Environment using Neural Networks”, Darmstadt, Germany, May 1th 2009.

Doug Werner and Alan Lachica, “Fighting Fit: Boxing Workouts, Techniques and Sparring” Start-Up Sports / Tracks Publishing, 140 Brightwood Avenue, Chula Vista, CA 91919, 619-476-7125 fax 619-476- 8173, copyright @ 2000.

Ian Millingtonand JohnFunge, “Artificial Intellegence For Games”, second edition copyright @ 2009 by Elsevier Inc.

Sanjay, Dharm, Chirag, “Optimization of Fitness Function Through Evolutionary Game Learning”, Evolution in Networks and Computer Communications A Special Issue from IJCA, www.ijcaonline.org.

[Dwi Kurniawan Saputro, “Agen Cerdas Game Remi Berbasis Minimax”, Program Pasca Sarjana Game Technology Institut Teknologi Sepuluh Nopember Surabaya.

Johnny N, “Boxing Basics How to Box, deciding Between Orthodox or Southpow”, www.expertboxing.com.

Jason Brownlee, “Finite State Machine (fsm)” 2002, AI Depot, http://aidepot.com/FiniteStateMachines,

Mark Hatmaker with Dug Werner, Boxing Mastery: “Advanced Technique, Tactics and Strategies From The Sweet Science”, Tracks Publishing (October 1, 2004)

Hertao,“Ultimate Self Defence e-book”, http://www.functionalselfdefense.org/.

[Boxing Training and Fitness, “12 Techniques That Win Fights, e-Book”. http://www.boxingtrainingfitness.com.

[J.H. Holland,” Adaptation in Natural and Artificial Systems”, University of Michigan Press, Ann Arbor, Michigan; re-issued by MIT Press (1992).

[David Goldberg,"The Design of Innovation (Genetic Algorithms and Evolutionary Computation) ",Springer; 1 edition (June 30, 2002).

Metropolis, N., A.W. Rosenbluth, M.N. Rosenbluth,A.H. Teller, and E. Teller,"Equation of State Calculations by Fast Computing Machines", J. Chem.Phys., Vol. 21, No. 6, pp. 1087 - 109a, 1953.

S. Kirkpatrick; C. D. Gelatt; M. P. Vecchi,"Optimization by Simulated Annealing",Science, New Series, Vol. 220, No. 4598 (13 MAY I983)

[Michalewicz, Z.,”Genetic Algorithms + Data Structures = Evolution Programs”,Polish translation, Wydawnictwa Naukowo-Techniczne, Warsaw, 1997.

Refbacks

  • There are currently no refbacks.