Detta arbete går ut på att testa hur två olika träningsmetoder påverkar hur ett artificiellt neuralt nätverk (ANN) presterar i en 2d spelmiljö. Ett belöningsbaserat nätverk som använder genetiska algoritmer har jämförts mot ett exempelbaserat nätverk som använder backpropagation. För att göra detta möjligt att testa så behövde fyra delsteg genomföras. Dessa är utveckling av belöningsbaserad ANN, utveckling av exempelbaserad ANN, utveckling av testmiljö och evaluering av resultat. Resultaten visar att agenten belöningsbaserat nätverk har presterat bättre i det flesta testen men även att den varit mer slumpmässig. Det finns dock undantag där den agenten med exempelbaserat nätverk har varit bättre. Slutsatsen är att efter detta experiment rekommenderas en agent med belöningsbaserat nätverk över en med exempelbaserat men att detta inte är någon garanti för att få optimala resultat. Ett framtida arbete som hade varit intressant är att fokusera på endast en algoritm och se hur träning och skillnader på olika nätverksarkitekturer hade påverkat den.

Evolution och tillståndsmaskiner är kända koncept inom både AI-forskning och spelindustrin. Tillståndsmaskiner har länge använts för att simulera artificella motståndare, samtidigt som evolution i många fall applicerats för att få agenter att själva upptäcka bra lösningar på problem. Arbetet använder sig av evolution för att undersöka om det går att evolvera fram bättre tillståndsövergångar i en stokastisk tillståndsmaskin än hos en fördefinierad tillståndsmaskin. Två homogena lag med två agenter vardera skapas, vilka tävlar på en arena där det går ut på att döda det andra laget först. Det ena laget delar en ständigt evolverande beteendemall medan det andra laget består av fördefinierade agenter, på så sätt att de har bedömts som duktiga på att spela spelet. De evolverande lagets framgång mäts i hur mycket hälsa de har kvar när en match är över. Utvärderingen visar en klar förbättring från 3% till 25% vinstchans hos en agent som startar med helt slumpade övergångsvärden och sedan evolverar dessa i 230 generationer emot en godtyckligt vald fördefinierad agent.

Evolution och tillståndsmaskiner är kända koncept inom både AI-forskning och spelindustrin. Tillståndsmaskiner har länge använts för att simulera artificella motståndare, samtidigt som evolution i många fall applicerats för att få agenter att själva upptäcka bra lösningar på problem. Arbetet använder sig av evolution för att undersöka om det går att evolvera fram bättre tillståndsövergångar i en stokastisk tillståndsmaskin än hos en fördefinierad tillståndsmaskin. Två homogena lag med två agenter vardera skapas, vilka tävlar på en arena där det går ut på att döda det andra laget först. Det ena laget delar en ständigt evolverande beteendemall medan det andra laget består av fördefinierade agenter, på så sätt att de har bedömts som duktiga på att spela spelet. De evolverande lagets framgång mäts i hur mycket hälsa de har kvar när en match är över. Utvärderingen visar en klar förbättring från 3% till 25% vinstchans hos en agent som startar med helt slumpade övergångsvärden och sedan evolverar dessa i 230 generationer emot en godtyckligt vald fördefinierad agent.

Detta arbete undersöker två tekniker för att evaluera spelplanen i minimaxalgoritmen. Den tekniken som fokuseras mest på i arbetet är ett artificiellt neuralt nätverk som evolveras med hjälp av samevolution. Tekniken är utformad för att inte behöva någon tidigare mänsklig expertis. Den andra tekniken använder heuristiker och mänsklig expertis för att få fram evalueringsfunktionen. Spelet som används för att testa teknikerna är Kinaschack. Resultaten antyder att tekniken i fokus inte fungerar till spelet Kinaschack. En undersökning där tekniken modifierades så att samevolution byttes ut gav ett bättre resultat. Detta behöver inte betyda att problemet är samevolution Men det tyder på att det är en faktor. Tekniken som arbetet fokuserar på är baserad på ett tidigare arbete där spelet Dam användes. Eftersom tekniken har visats fungera tidigare skulle det vara intressant att testa den med fler spel. I slutet av arbetet diskuteras en variant av tekniken för spelet Schack.

I det här arbetet undersöks och jämförs två olika sökalgoritmer när de används för implementation av AI-spelare till brädspelet Pentago. De två algoritmerna som användes var alfa-betabeskärning och en nyare algoritm som kombinerar genetiska algoritmer och minimax, kallad genetisk minimax. Utvärderingen av resultaten visar att alfa-betabeskärning passar bättre vid implementation av en AI till Pentago än genetisk minimax. Alfa-betabeskärning med ytterligare optimeringar har potential att lämpa sig väldigt väl för implementation av spelare till Pentago. Ytterligare visar resultaten att genetisk minimax inte är en passande algoritm för AI till Pentago. För eventuella framtida arbeten föreslås ytterligare arbete och förbättringar på implementationen av alfa-betabeskärning. Genetisk minimax har potential att fungera bättre vid implementation av AI till andra brädspel. Därför föreslås även framtida arbeten av implementationer av genetisk minimax inom områden och spel som kan vara mer passande.

Detta arbete undersöker två tekniker för att evaluera spelplanen i minimaxalgoritmen. Den tekniken som fokuseras mest på i arbetet är ett artificiellt neuralt nätverk som evolveras med hjälp av samevolution. Tekniken är utformad för att inte behöva någon tidigare mänsklig expertis. Den andra tekniken använder heuristiker och mänsklig expertis för att få fram evalueringsfunktionen. Spelet som används för att testa teknikerna är Kinaschack.Resultaten antyder att tekniken i fokus inte fungerar till spelet Kinaschack. En undersökning där tekniken modifierades så att samevolution byttes ut gav ett bättre resultat. Detta behöver inte betyda att problemet är samevolution Men det tyder på att det är en faktor.Tekniken som arbetet fokuserar på är baserad på ett tidigare arbete där spelet Dam användes. Eftersom tekniken har visats fungera tidigare skulle det vara intressant att testa den med fler spel. I slutet av arbetet diskuteras en variant av tekniken för spelet Schack.

The aim of this thesis is to make use of real world travel time and demand data and implement an algorithm which designs bus networks. Consideration is taken to both passenger and bus operator interests. Thereafter answering the questions: How well does the algorithm perform when applied to Södertälje, Sweden? Can the proposed method assist in the network design stage of real bus network planning? Heuristics and the multiobjective genetic algorithm NSGA-II (Non-dominated Sorting Genetic Algorithm II) were chosen. Three different problem cases were set up. It was found that the high computation time poses a great obstacle, over 80 hours for a network of 58 stations and 18 routes. Even then a longer run time would have led to improved results. When comparing a smaller problem, 24 stations and four routes, to the real bus routes it is based on, a superior solution was found based on the model. It is however not possible to argue for the proposed network being superior to the existing one if replaced in reality due to the fact a subsystem is modelled. It is believed that the proposed algorithm may be of assistance to traffic planners in the way of suggesting single links or routes, not replacing the complete bus network design process. / Målet med denna studie är att använda verklig resedata och efterfrågan och implementera en algoritm som designar busslinjenät med avseende på passagerar -och operatörsintressen. Därefter svara på frågorna: Hur bra presterar algoritmen när den tillämpas på Södertälje, Sverige? Kan den föreslagna algoritmen bidra i designfasen av ett verkligt busslinjenät? Heuristik och den multiobjektiva genetiska algoritmen NSGA-II (Non-dominated Sorting Genetic Algorithm II) användes. Tre olika problem ställdes upp. Det framkom att den långa beräkningstiden är ett stort hinder, över 80 timmar för ett busslinjenät med 58 stationer och 18 busslinjer. Den begränsande faktorn var den långa körtiden, bättre lösningar hade kunnat hittas om programmet fått fortsätta köra. Endast ett mindre nätverk, 24 stationer med fyra busslinjer, baserades på verkliga busslinjer och kunde jämföras. Det resulterade i lösningar som var bättre än de verkliga busslinjerna inom ramen för modellen. Det kan dock inte betraktas som bättre än det verkliga nätverket i mån av att ersätta det, då endast ett subsystem modellerades. Det anses att den föreslagna algoritmen kan vara av assistans för trafikplanerare genom att föreslå länkar mellan busstationer eller hela busslinjer, däremot inte ersätta den nuvarande processen av att designa bussnätverk.

Den här studien beskriver en undersökning som tittar på prestationsskillnaden på engenetisk algoritm (GA) med kön, mot en GA utan kön. Den tittar även påprestationsskillnaden mellan en GA utan kön och en GA med slumpmässig könsfördelning.Problemet som algoritmerna är applicerade på innefattar vägplanering över en kontinuerlig,procedurell 2d-miljö som är uppbyggd av polygoner med olika färdkostnad. Den lämpligasteindividen blir den med lägst färdkostnad, som alltså hittar den billigaste vägen mellan tvåfasta punkter. Observera att problemet är fullständigt statiskt genom alla körningar.Utfallet tyder på att GA’n med kön producerar märkbart bättre resultat, oavsett omkönsdistribueringen var konstant eller slumpmässig. De genetiska algoritmerna med könuppvisade också en mindre tendens att konvergera, vilket tyder på att införandet av kön ialgoritmen hade den hypotiserade effekten. Införandet av slumpmässig könsfördelning tycksha resulterat i en mer konstant diversitet.Vidare arbete skulle kunna innefatta en jämförelse mellan genetiska algoritmer med ochutan kön för fler typer av problem. Detta skulle kunna leda till en allmän teori somsammanfattar könets påverkan på de genetiska algoritmerna allmänt. Vidare studier skulleäven kunna titta på hur kön påverkar diversiteten i algoritmen, genom att göra sammajämförelser, men istället titta på hur den genetiska diversiteten utvecklas över tid. / <p>Det finns övrigt digitalt material (t.ex. film-, bild- eller ljudfiler) eller modeller/artefakter tillhörande examensarbetet som ska skickas till arkivet.</p><p>There are other digital material (eg film, image or audio files) or models/artifacts that belongs to the thesis and need to be archived.</p>

Detta arbete undersöker användningen av evolutionära algoritmer för framtagning och utvärdering av byggordningar i RTS-spel. Syftet var att undersöka om just evolutionära tekniker kan uppnå lika bra resultat som skriptade byggordningar då evolutionära tekniker oftast är billigare att utveckla.För att undersöka denna problemställning utvecklades en applikation med en experimentmiljö och en Artificiell Intelligens (AI) med evolutionär algoritm. Denna applikation och AI användes sedan för utvärdering av framtagna byggordningar.Resultatet antyder att evolutionära tekniker kan uppnå lika bra kvalitet som de skriptade byggordningarna.Något som krävs i detta arbete är fördefinierade skript för byggordningar för att köra evolutionen men något som skulle vara intressant att kolla på är coevolution. Med coevolution hade det varit möjligt evolvera fram byggordningar utan dessa färdiga skript genom att köra evolutionen mot individer i samma population.

This project is about the optimization of the capital management of a French global bank. Capital management corresponds here to allocating the available capital to the different business units. In this project, I focus on the optimization of the allocation of the risk weighted assets (RWA) between some of the business units of the bank, as a representation of the allocated capital. Emphasis is put on the market and retail part of the bank and the first step was to be able to model the evolution of a business unit given an economic environment. The second one was about optimizing the distribution of RWA among the selected parts of the bank. / Projektets ämne handlar om att optimering allokering av kapital inom en fransk global bank. Kapital management syftar här på hur kapital ska fördelas mellan olika avdelningar inom banken. I detta projekt fokuserar jag på optimering av allokeringen av riskvägda resurser (RWA) mellan några av bankens enheter, som en representation av det allokerade kapitalet. Uppsatsen inriktar sig främst emot retail-delen av banken. Första steget var att modellera utvecklingen av en bankavdelning givet en ekonomisk omgivning? Andra steget var att försöka optimera fördelningen av RWA mellan de utvalda bankavdelningarna.