Softwarearchitektur eines Computerspielers. SoPra 2016 Alexander Kampmann

Transkript

1 Softwarearchitektur eines Computerspielers SoPra 2016 Alexander Kampmann

2 Model - View -Controller Server Model weiß, wie die Welt aussieht aktualisiert informiert Controller nimmt Befehle entgegen View erfährt, was passiert

3 Model - View -Controller Server Model weiß, wie die Welt aussieht aktualisiert informiert Controller nimmt Befehle entgegen schickt Commands View erfährt, was passiert Client ist eine View

4 Model - View -Controller Server Model weiß, wie die Welt aussieht aktualisiert informiert Controller nimmt Befehle entgegen View erfährt, was passiert

5 Model - View -Controller Client informiert schickt Commands Controller nimmt Befehle entgegen Server aktualisiert Model weiß, wie die Welt aussieht informiert View erfährt, was passiert

6 Model - View -Controller KI Model weiß, wie die Welt aussieht informiert View erfährt, was passiert

7 Model - View -Controller KI Model aktualisiert weiß, wie die Welt aussieht Controller nimmt Befehle entgegen und führt sie aus informiert View erfährt, was passiert

8 Model - View -Controller KI Model aktualisiert weiß, wie die Welt aussieht Controller nimmt Befehle entgegen und führt sie aus schickt ihre Commands informiert View erfährt, was passiert KI ist eine View

9 Model - View -Controller KI Model aktualisiert weiß, wie die Welt aussieht Controller nimmt Befehle entgegen und führt sie aus informiert View erfährt, was passiert

10 Model - View -Controller KI du bist dran schickt Commands Controller KI fragt Informationen ab aktualisiert Model weiß, wie die Welt aussieht informiert nimmt Befehle entgegen und führt sie aus View erfährt, was passiert

11 Der Zufall spielt // Zufallsobjekt erzeugen: Random r = new Random(); // alle Richtungen testen und eine wählen for(direction d : Direction.values()) { if(maymove(d) && r.nextboolean()) { server.sendmove(d); return; } } // dasselbe für alle anderen Commands

12 Der Zufall spielt // Zufallsobjekt erzeugen: Random r = new Random(); // alle Richtungen testen und eine wählen for(direction d : Direction.values()) { if(maymove(d) && r.nextboolean()) { server.sendmove(d); return; } } // dasselbe für alle anderen Commands

13 Mit Command-Pattern // Zufallsobjekt erzeugen: Random r = new Random(); // alle Möglichkeiten auflisten List<Command> commands = getpossiblecommands(model, getentityid()); // eine aussuchen int pos = r.nextint(commands.size()); Command command = commands.get(pos); // und an den Server senden send(command);

14 Mit Command-Pattern // Zufallsobjekt erzeugen: Command-Pattern Random r = new Random(); // alle Möglichkeiten auflisten List<Command> commands = getpossiblecommands(model, getentityid()); // eine aussuchen int pos = r.nextint(commands.size()); Command command = commands.get(pos); // und an den Server senden send(command);

15 Anforderungen an das Model Ich muss informiert werden, wenn ich dran bin. Ich muss prüfen können, ob ein Zug zulässig ist. Ich muss mitteilen können, was ich machen möchte. Ich muss abfragen können, wie die Spielwelt aussieht.

16 Mühle 1. Phase: Steine setzen 2. Phase: Steine ziehen Mühle: Stein klauen

17 In der Setzen-Phase: Regel-basierter Computerspieler Wenn ich zwei Steine in einer Reihe habe, setze ich den Dritten Wenn der Gegner zwei Steine in einer Reihe hat, setze ich auf das dritte Feld Wenn eins der Felder mit vier Nachbarn frei ist, setze ich da hin

18 Mensch Regelbasiert

19 Mensch Regelbasiert

20 Mensch Regelbasiert

21 Mensch Regelbasiert

22 Mensch Regelbasiert

23 Mensch Regelbasiert

24 Mensch Regelbasiert

25 Mensch Regelbasiert

26 Mensch Regelbasiert

27 Der Computer muss lernen, die Pläne seines Gegners zu erahnen

28 Baumsuche

29 Wie gut ist ein Zustand? (Für weiß) Sehr gut Sehr schlecht

30 Wie gut ist ein Zustand? (Für weiß) Sehr gut h( ) = 10 Sehr schlecht h( ) = 0

31 Baumsuche weiß ist am Zug 10?

32 Baumsuche 10 weiß ist am Zug 10?

33 Baumsuche schwarz ist am Zug 0

34 Baumsuche 0 schwarz ist am Zug 0

35 Heuristische Funktion Sieg: Hoher Wert Niederlage: Niedriger Wert Ich bin am Zug: Heuristik maximieren Gegner ist am Zug: Heuristik minimieren

36 Tiefensuche

37 Tiefensuche

38 Tiefensuche

39 Tiefensuche

40 Tiefensuche

41 Tiefensuche

42 Tiefensuche

43 Tiefensuche

44 Tiefensuche

45 Tiefensuche

46 Breitensuche

47 Breitensuche

48 Breitensuche

49 Breitensuche

50 Breitensuche

51 Breitensuche

52 Breitensuche

53 Breitensuche

54 Was, wenn ich nicht das ganze Spiel vorberechnen kann (1) Suchbreite beschränken: Wenn ich ein Kind mit maximalem/minimalem Wert gesehen habe, muss ich die anderen Kinder nicht mehr angucken Suchtiefe beschränken: Beispiel: Ich gucke 5 Zustände in die Zukunft

55 Was, wenn ich nicht das ganze Spiel vorberechnen kann (2) Heuristik mit anderen Informationen: eigene Lebenspunkte Summe der Gegner-Lebenspunkte Entfernung zum Gegner Damit ist auch Breitensuche möglich

56 Was, wenn ich nicht das ganze Spiel vorberechnen kann (3) Machine Learning: Sammeln Sie möglichst viele Zustände einschließlich Ergebnisse Lassen Sie ein neuronales Netz (oder einen anderen Classifier) lernen, ob nach einem bestimmten Zustand ein Sieg kommt

57 Optionen für eine KI Regelbasiert: gute Kontrolle über KI-Verhalten schlechte Anpassung an unerwartete Situationen heuristische Baumsuche: KI-Verhalten hängt stark von der Heuristik ab sehr erfolgreich (Schach, Mühle, ) Machine Learning: keine Kontrolle über KI-Verhalten (quasi keine Möglichkeit zu debuggen) extrem erfolgreich (Atari-Spiele, Go, )

58 Optionen für eine KI Regelbasiert: gute Kontrolle über KI-Verhalten schlechte Anpassung an unerwartete Situationen heuristische Baumsuche: KI-Verhalten hängt stark von der Heuristik ab sehr erfolgreich (Schach, Mühle, ) Machine Learning: keine Kontrolle über KI-Verhalten (quasi keine Möglichkeit zu debuggen) Spielstärke extrem erfolgreich (Atari-Spiele, Go, )

59 Optionen für eine KI Regelbasiert: gute Kontrolle über KI-Verhalten schlechte Anpassung an unerwartete Situationen heuristische Baumsuche: KI-Verhalten hängt stark von der Heuristik ab sehr erfolgreich (Schach, Mühle, ) Machine Learning: keine Kontrolle über KI-Verhalten (quasi keine Möglichkeit zu debuggen) extrem erfolgreich (Atari-Spiele, Go, ) Programmieraufwand Spielstärke

60 Wie implementiere ich eine Baumsuche? Queue q lege den aktuellen Zustand in q solange noch Zustände in q sind: nehme den nächsten Zustände aus q erzeuge alle Kind-Zustände lege die Kind-Zustände in q wenn keine Zustände mehr in q sind der beste Zustand ist der, wo ich hin will

61 Beispiel Heuristik: Abstand zum Wildschwein Queue: Move(NORTH_EAST), 3 Move(NORTH_WEST), 3 Move(WEST), 4 Move(EAST), 4 Move(SOUTH_WEST), 5 Move(SOUTH_EAST),

62 Beispiel Heuristik: Abstand zum Wildschwein Queue: Move(NORTH_EAST), 3 Move(NORTH_WEST), 3 Move(WEST), 4 Move(EAST), 4 Move(SOUTH_WEST), 5 Move(SOUTH_EAST),

63 Beispiel Heuristik: Abstand zum Wildschwein Queue: Move(NORTH_EAST), 2 Move(NORTH_WEST), 2 Move(EAST), 3 Move(WEST), 3 Move(SOUTH_WEST), 4 Move(SOUTH_EAST), 4 (alt) Move(NORTH_EAST), 3 (alt) Move(NORTH_WEST), 3 (alt) Move(WEST), 4 (alt) Move(EAST), 4 (alt) Move(SOUTH_WEST), 5 (alt) Move(SOUTH_EAST), 5

64 Beispiel Heuristik: Abstand zum Wildschwein Queue: Move(NORTH_EAST), 2 Move(NORTH_WEST), 2 Move(EAST), 3 Move(WEST), 3 Move(SOUTH_WEST), 4 Move(SOUTH_EAST), 4 (alt) Move(NORTH_EAST), 3 (alt) Move(NORTH_WEST), 3 (alt) Move(WEST), 4 (alt) Move(EAST), 4 (alt) Move(SOUTH_WEST), 5 (alt) Move(SOUTH_EAST), 5

65 Beispiel Heuristik: Abstand zum Wildschwein Queue: Move(NORTH_EAST), 2 Move(NORTH_WEST), 1 Move(EAST), 3 Move(WEST), 2 (alt) Move(NORTH_EAST), 2 (alt)move(north_west), 2 (alt) Move(EAST), 3 (alt) Move(WEST), 3 (alt) Move(SOUTH_WEST), 4 (alt) Move(SOUTH_EAST), 4 (alt) Move(NORTH_EAST), 3 (alt) Move(NORTH_WEST), 3 (alt) Move(WEST), 4 (alt) Move(EAST), 4

66 Beispiel Heuristik: Abstand zum Wildschwein Queue: Move(NORTH_EAST), 2 Move(NORTH_WEST), 1 Move(EAST), 3 Move(WEST), 2 (alt) Move(NORTH_EAST), 2 (alt)move(north_west), 2 (alt) Move(EAST), 3 (alt) Move(WEST), 3 (alt) Move(SOUTH_WEST), 4 (alt) Move(SOUTH_EAST), 4 (alt) Move(NORTH_EAST), 3 (alt) Move(NORTH_WEST), 3 (alt) Move(WEST), 4 (alt) Move(EAST), 4

67 Anforderungen an das Model Ich muss informiert werden, wenn ich dran bin. Ich muss prüfen können, ob ein Zug zulässig ist. Ich muss mitteilen können, was ich machen möchte. Ich muss abfragen können, wie die Spielwelt aussieht.

68 Anforderungen an das Model Ich muss informiert werden, wenn ich dran bin. Ich muss prüfen können, ob ein Zug zulässig ist. Ich muss mitteilen können, was ich machen möchte. Ich muss abfragen können, wie die Spielwelt aussieht. Ich muss Spielzüge simulieren können.

69 Wie simuliere ich? Einen Zug ausprobieren, ohne das Model zu ändern Ich möchte wissen, wie die Welt nach dem Zug aussieht, um die Heuristik für diesen Zustand berechnen zu können Ich simuliere, indem ich den Zug auf einer Kopie des Models ausführe indem ich im Command-Pattern ein unexecute() implementiere

70 Command-Pattern StabCommand + validate(model) + execute(model) + unexecute(model) Command + validate(model) + execute(model) + unexecute(model) MoveCommand + validate(model) + execute(model) + unexecute(model) Oberklasse Command mit abstrakten Methoden eine Unterklasse für jeden Command mit Implementierungen StareCommand + validate(model) + execute(model) + unexecute(model)

71 Kopieren des Model Model copy(model m) { Model m2 = new Model(); m2.f1 = m.f1; m2.f2 = m.f2; return m2; } m : Model m : Monster f1 : Field f2 : Field

72 Kopieren des Model Model copy(model m) { Model m2 = new Model(); m2.f1 = m.f1; m2.f2 = m.f2; return m2; } m : Model m2 : Model m : Monster f1 : Field f2 : Field

73 Kopieren des Model Model copy(model m) { Model m2 = new Model(); m2.f1 = m.f1; m2.f2 = m.f2; return m2; } m : Model m2 : Model m : Monster f1 : Field f2 : Field

74 Kopieren des Model Model copy(model m) { Model m2 = new Model(); m2.f1 = copy(m.f1); m2.f2 = copy(m.f2); return m2; } m : Model m2 : Model m : Monster f1 : Field f2 : Field m_2 : Monster f1_2 : Field f2_2 : Field

75 Memento-Pattern Model unveränderliche Daten veränderliche Daten

76 Memento-Pattern Model 1. kopieren unveränderliche Daten veränderliche Daten veränderliche Daten

77 Memento-Pattern Model unveränderliche Daten veränderliche Daten veränderliche Daten

78 Model Memento-Pattern 2. Simulieren unveränderliche Daten veränderliche Daten veränderliche Daten

79 Memento-Pattern Model unveränderliche Daten veränderliche Daten veränderliche Daten

80 Model Memento-Pattern 3. Zurücksetzen unveränderliche Daten veränderliche Daten veränderliche Daten

81 Model unveränderliche Daten Memento-Pattern 3. Zurücksetzen veränderliche Daten

82 Model unveränderliche Daten veränderliche Daten Memento-Pattern 3. Zurücksetzen Vorteile: Leichter zu implementieren als unexecute() (weniger Code!) Weniger Daten zum Kopieren als bei voller Kopie

83 Memento-Pattern Nachteile Normaler Entwurf m : Model Der Entwurf entfernt sich vom intuitiven Objektmodell m : Monster f1 : Field f2 : Field Mit Memento-Pattern m : Model me : Memento f1 : Field f2 : Field m : Monster

84 Memento-Pattern Nachteile Normaler Entwurf m : Model Der Entwurf entfernt sich vom intuitiven Objektmodell m : Monster f1 : Field f2 : Field Mit Memento-Pattern m : Model me : Memento f1 : Field f2 : Field m : Monster

85 Single-Dot Rule Model model = /* */; Monster m = model.getfield(1, 3).getMonster();

86 Single-Dot Rule Model model = /* */; Monster m = model.getfield(1, 3).getMonster(); Single-Dot Rule?

87 Single-Dot Rule Model model = /* */; Monster m = model.getfield(1, 3).getMonster(); Single-Dot Rule? Model model = /* */; Field f = model.getfield(1, 3); Monster m = f.getmonster();

88 Single-Dot Rule Model model = /* */; Monster m = model.getfield(1, 3).getMonster(); Single-Dot Rule? Model model = /* */; Field f = model.getfield(1, 3); Monster m = f.getmonster(); Andere Syntax, selbe Semantik, das zählt nicht!

89 Stellen Sie sich vor, Sie wollen auf Memento-Pattern umbauen Model model = /* */; Monster m = model.getfield(1, 3).getMonster(); Model model = /* */; Field f = model.getfield(1, 3); Memento memento = model.getmemento(); Monster m = memento.getmonsterat(f);

90 Single-Dot Rule eingehalten Model model = /* */; Monster m = model.getfield(1, 3).getMonster(); Model model = /* */; Monster m = model.getmonster(1, 3); class Model { Monster getmonster(int x, int y) { Field f = getfield(x, y); return f.getmonster(); } }

91 Anforderungen an das Model Ich muss informiert werden, wenn ich dran bin. Ich muss prüfen können, ob ein Zug zulässig ist. Ich muss mitteilen können, was ich machen möchte. Ich muss abfragen können, wie die Spielwelt aussieht. Ich muss Spielzüge simulieren können.

92 Heuristiken eigene Lebenspunkte maximieren Lebenspunkte der Gegner minimieren Entfernung zum Gegner (minimieren oder maximieren?)

93 Mehrere Heuristiken kombinieren (1) Gewichtete Summe (weighted sum): h c (m) = 1 h 1 (m)+ 2 h 2 (m) n h n (m)

94 Mehrere Heuristiken kombinieren (1) Gewichtete Summe (weighted sum): h c (m) = 1 h 1 (m)+ 2 h 2 (m) n h n (m) Steuern, welche Heuristik am Wichtigsten ist

95 Mehrere Heuristiken kombinieren (2) Entfernung zum Heilfeld: 3 Lebenspunkte des Gegner: 85 Move Shoot Entfernung zum Heilfeld: 2 Lebenspunkte des Gegner: 85 Entfernung zum Heilfeld: 3 Lebenspunkte des Gegner: 74 Lebenspunkte ändern sich viel schneller als Entfernungen (und sind potenziell größer), deshalb dominieren sie die Heuristik

96 Heuristiken normalisieren Heuristiken zwischen 0 und 1 bringen: h 0 (m) = h(m) max h Heuristiken auf eine gemeinsame Einheit bringen: statt: Entfernung zum Heilfeld Wie viele Commands brauche ich noch da hin? statt: Lebenspunkte des Gegners Wie viele Commands brauche ich noch um ihn zu töten?

97 Heuristiken invertieren Maximieren oder Minimieren? Ob kleiner Wert guter Zustand oder schlechter Zustand heißt, ändert nur den Vergleich im Algorithmus Heuristik umdrehen: h 0 (m) = h(m) h 0 (m) = max h h(m)

98 Anforderungen an das Model Ich muss informiert werden, wenn ich dran bin. Ich muss prüfen können, ob ein Zug zulässig ist. Ich muss mitteilen können, was ich machen möchte. Ich muss abfragen können, wie die Spielwelt aussieht. Ich muss Spielzüge simulieren können.