Las palabras constituyen la raíz de la lengua. Por eso, el propósito de este trabajo es investigar cuáles diferentes inteligencias usan seis alumnos en el nivel 5 en la escuela de bachillerato para aprender el vocabulario. Como punto de partido utilizamos las inteligencias lingüística, lógica, visual, musical y corporal. Este estudio es un estudio cualitativo donde el material recopilado está compuesto de entrevistas grabadas con los seis alumnos.   El resultado de las entrevistas muestra que todos los alumnos conocen diferentes maneras de aprender el vocabulario, pero los términos son nuevos. La inteligencia que parece ser más útil y mejor para los alumnos es la inteligencia lingüística y también otra estrategia donde los alumnos escriben dos columnas. En conclusión, los alumnos necesitan enseñanza sobre las diferentes estrategias que pueden usar para aprender el vocabulario para que tengan más control sobre su propio aprendizaje. / Ord är roten i ett språk. Syftet med examensarbetet är därmed att undersöka vilka olika strategier som sex elever i steg 5 på gymnasiet använder sig av för att lära sig vokabulär. Som utgångspunkt har vi lingvistik intelligens, logisk intelligens, visuell intelligens, musikal intelligens och kroppslig intelligens. Denna studie är kvalitativ och det insamlade materialet består av inspelade intervjuer med dessa sex elever.   Intervjuernas resultat visar på att alla elever känner till de olika strategierna för att lära sig vokabulär, dock är termerna nya. Strategin som verkade vara mest använd och bäst för dessa sex elever var lingvistisk intelligens men även en annan strategi där eleverna skriver två kolumner. Slutsatsen som kan dras av detta resultat är att eleverna behöver mer undervisning om de olika strategierna som man kan använda sig av för att lära sig vokabulär för att de ska kunna få en större kontroll över sitt eget lärande.

Detta arbete undersöker skillnader i tidseffektivitet mellan beteendeträd ochHierarchical Task Network. En enklare spelprototyp av typen top-down 2D shoot-emup implementerades. Spelprototypen använder två typer av autonom motspelare så kallade botar. En bot för beteendeträd och en bot för Hierarchical Task Network. Spelprototypen mäter körtiden för varje typ av bot i sex olika situationer. Varje situation svarar mot ett bestämt beteende hos boten. Ett beteende kan brytas ned i en samling uppgifter som boten kan utföra. Spelprototypen mäter körtiden för att bestämma ett enskilt beteende i en specifik situation. Resultaten från mätningarna tyder på att beteendeträd har bättre tidseffektivitet än Hierarchical Task Network.

I detta arbete undersöks två styrbeteenden som kan användas för att navigera grupper av agenter genom olika spelmiljöer. Teknikerna som arbetet har som syfte att utvärdera är vägföljnings- och flödesfältsbeteende. Arbetets undersökning har som avsikt att jämföra dessa tekniker med avseende på tids- och minneseffektivitet och utvärdera hur dessa tekniker presterar på dessa aspekter i olika gruppstorlekar och miljötyper. Resultaten från arbetets utförda tester visade att vägföljningsbeteendet klart är den mest minneseffektiva tekniken medan flödesfältsbeteendet var något mer tidseffektiv. I en slutgiltig diskussion presenteras arbetet ur en samhällelig och etisk synpunkt och även en diskussion över hur framtida forskning inom området kan se ut.

Detta arbete undersöker två olika tekniker för att evaluera speltillstånd i schack. Teknikerna är samevolution och historiebaserad evolution. De används i kombination med artificiella neurala nätverk och algoritmen minimax. Teknikerna används för att låta två agenter spela schack, genom att välja ut det bästa draget. Kan en agent som bygger på samevolution slå en agent som bygger på historiebaserad evolution? Teknikerna har testats genom att låta agenterna evolveras i 200 generationer var för att sedan låta dem spela mot varandra. Den samevolverade agenten vann tre av 24 matcher, den historiebaserade vann en, och resten slutade i remi. Det tyder på att en samevolverad agent kan slå en historiebaserad, men att de är väldigt lika. Undersökningen tyder på att samevolverade schackagenter har stor risk att hamna i ett lokalt maximum medan historiebaserade gör många bra drag, men saknar strategi för att vinna.

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.

Målet med detta verk var att undersöka vilken AI-teknik som är mest lämpad att styra beteende i ett artificiellt ekosystem. En tillståndsmaskin och en genetisk algoritm har implementerats. Dessa AI-tekniker har jämförts med avseende på tre olika aspekter: effektivitet, anpassningsbarhet och flexibilitet. För att kunna genomföra tester har individer och en experimentmiljö implementerats. Testerna gjordes på fyra olika banor. Resultatet från undersökningen talar för att GA är mer fördelaktig att använda än tillståndsmaskiner. Mätningarna visade på att GA tog längre tid att implementera än tillståndsmaskinen, dock är GA generellt mer robust och flexiblare, vilket visade sig när nya beteenden lades till. GA presterar även bättre på merparten av testerna för anpassningsbarheten.  Tillståndsmaskinen var effektivare. När hänsyn togs till antalet anrop respektive algoritm fick, visade det sig att skillnaden var betydligt mindre. Resultatet kan användas som grund till utförliga undersökningar i framtida forskning. Implementationen kan anpassas till andra spel, innehållande ekosystem.

Artificiell intelligens (AI) är en stor del i dagens datorspel. För att få inblick i komplexiteten runt AI i spelutveckling och för att förstå delar som AI består av har detta projekt genomförts. Målet var att skapa en AI-motor från grunden med bra grundplattform som är enkel att bygga vidare på. Innan projektet startade utfördes en förundersökning där olika alternativ för kartrepresentationer och grafsökningsalgoritmer togs fram. Utvecklingen av AI-motorn har haft ett starkt beroende till projektet där en spelmotor utvecklats av Niklas Ekman och Christian Mesch. Detta projekt har utförts enligt den agila systemutvecklingsmetoden Scrum. Ett versionshanteringssystem har använts för att enkelt kunna dela källkod mellan projekten. AI-motorn har utvecklats i C++ och för operativsystemen Ubuntu och OSX. AI-motorn består av fyra huvuddelar; logik, navigering, kommunikation och AI-objekt. Logiken är hjärnan i AI-motorn, navigeringen använder sig av navmesh som kartrepresentation och A*-algoritmen är den grafsökningsalgoritm som har valts. Kommunikation sker mellan AI-motorn och spelmotorn för att kunna dela på funktionalitet. AI-objekten är främst informationsklasser som t.ex. håller reda på antalet registrerade datorstyrda spelare. Valet av metod för kartrepresentation avgjordes av att navmesh enkelt kunde genereras automatiskt med hjälp av verktyg vilket var svårare för de andra alternativen. A* valdes som grafsökningsalgoritm eftersom den gav en korrekt väg med minst antal beräkningar. AI-motorn uppfyller de krav som ställdes innan utvecklingen påbörjades och är en bra grund för att lätt kunna utöka motorn med mer avancerad funktionalitet, men det finns så klart förbättringar som kan göras.

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.