Genetiska algoritmer och beteendeträd är två populära AI-tekniker som använts i både kommersiella produkter och forskningssyfte. Kombinationen av dem genom evolution av beteendeträd är däremot ett väldigt outforskat ämne som denna rapport handskas med. Arbetet beskriver först bakgrunden av de individuella teknikerna samt de få artiklar som relaterar till den specifika ämneskombinationen. Sedan presenteras problemformuleringen vilket angår jämförelsen av en singel- och multimål genetisk algoritm i syftet att utveckla beteendeträd till ett 2d-skjutspel. En artefakt skapades för att sätta upp spelet, implementera algoritmerna och testa dem gentemot varandra. Progression och designval för implementationen beskrivs i detalj följt av en pilotstudie och sedan en slutgiltig utvärdering. Resultatet pekade på att singelmålsalgoritmen lyckades vinna fler matcher. Detta faktum analyseras och diskuteras. Till slut avslutas rapporten med ett avsnitt om framtida arbeten vari ämnen såsom utforskning av olika genomstrukturer och automatiskt genererad AI för företag föreslås.

The artificial intelligence is a constant topic of conversation with a field of research that is pushed forward by some of the world's largest companies and universities. Deep learning is a branch of machine learning within artificial intelligence based on learning representation of data such as images and texts by processing the data through deep neural networks. Sports are competitive businesses that over the years have become more data driven. Statistics play a big role in the development of the practitioners and the tactics in order to win. Sport organizations have big statistic teams since statistics are manually obtained by these teams. To learn a machine to recognize patterns and actions with deep learning would save a lot of time. In this thesis a deep learning approach is used to examine how well it can perform to classify the actions pass and run in American footbal lgames. A deep learning architecture is first trained and developed on a public video dataset and then trained to classify run and pass plays on a new American football dataset called the All-22 dataset. Results and earlier research show that deep learning has potential to automatize sport statistic but is not yet ready to overtake the role statistic teams have. Further research, bigger and more task specific datasets and more complex architectures are required to enhance the performance of this specific type of deep learning based video recognition.

Det här arbetet har undersökt hur indeterministiskt beteende hos allierade spelarkaraktärer påverkar mänskliga-spelares uppfattning om spelarkaraktärernas trovärdighet i spel. För att undersöka detta har två AI-tekniker, en indeterministisk teknik som kallas för nyttobaserad AI och en deterministisk teknik som kallas för finita-tillståndsmaskiner implementerats och använts för att modellera beteenden hos spelarkaraktärer i ett actionspel sett ovanifrån. Testdeltagare har fått delta i ett experiment där de spelat actionspelet i två scenarion med allierade spelarkaraktärer modellerade med respektive teknik. Efter spelandet har testdeltagarna fått svara på kvantitativa och kvalitativa frågor i en enkätundersökning om hur de upplevt spelarkaraktärernas beteende. Experimentet fann inga resultat som tyder på att indeterministiska beteenden hos allierade spelarkaraktärer gör att de uppfattas som mer trovärdiga. Det fanns heller inga resultat som tyder på att indeterministiska beteenden hos spelarkaraktärer skulle särskilja sig mot deterministiska beteenden. Detta resultat behöver dock verifieras i ytterligare studier med mer testdeltagare och scenarion.

Cavity filters are a necessary component in base stations used for telecommunication. Without these filters it would not be possible for base stations to send and receive signals at the same time. Today these cavity filters require fine tuning by humans before they can be deployed. This thesis have designed and implemented a neural network that can tune cavity filters. Different types of design parameters have been evaluated, such as neural network architecture, data presentation and data preprocessing. While the results was not comparable to human fine tuning, it was shown that there was a relationship between error and number of weights in the neural network. The thesis also presents some rules of thumb for future designs of neural network used for filter tuning.

Det här arbetet har undersökt hur inlärning av hur en datorstyrd karaktär fattar sina beslut baserat på det gällande speltillståndet, påverkar spelarens uppfattning om hur mänskligt intelligent dess resulterande beteende uppfattas, med bakgrunden att det finns ett behov av intelligentare beteenden hos karaktärer i spel. Undersökningen har genomförts genom att jämföra en tillståndsmaskin med ett artificiellt neuralt nätverk, implementerade i ett enklare actionspel med en spelare och en datorstyrd karaktär. Nätverket är konstruerat att initialt bete sig som tillståndsmaskinen, men sedan utveckla sitt beteende genom att lära från den individuella spelarens spelstil. Ett antal testpersoner har sedan fått spela spelet mot respektive teknik, och fått ange hur de upplevde respektive beteende i en enkätundersökning. Resultatet av undersökningens sammanställda data särskiljer inte det resulterande beteendet från tillståndsmaskinen med beteendet från det artificiella neurala nätverket, vilket kan ha en förklaring i undersökningens felkällor, samt den mindre domänen teknikerna implementerats i.

Artificiella ekosystem är en tillämpning av artificiell intelligens som har funnits länge. Användningsområden för artificiella ekosystem innefattar främst biologiska simulationer men även andra typer av simulationer förekommer. Genom att simulera individuella djur blir den artificiella intelligensens uppgift att styra djurens beslut utifrån dess individuella förutsättningar och kamp för överlevnad. Detta arbete behandlar frågeställningen vilken beslutsalgoritm som är bäst lämpad att för att använda till ett artificiellt ekosystem i ett spel. Två beslutsalgoritmer jämförs, en dynamisk som bygger på maskin inlärning och en statisk som inte är kapabel att lära eller minnas. Den dynamiska heter Behavior Network och den statiska heter Decision Tree. En applikation byggs för att jämföra hur väl de bägge algoritmerna löser problemet att styra ett artificiellt ekosystem i ett spel. Algoritmerna jämförs efter tre kriterier, svårighet att anpassa till uppgiften, hur mycket beräkningskraft som krävs från datorn att driva algoritmen och hur väl individerna överlever när de styrs av algoritmen. Detta verk visar att Decision Tree är den mer lämpade algoritmen enligt samtliga tre kriterier. Behavior Network visar lovande kvalitéer men inga av resultaten inom ramarna för detta arbete stödjer att använda algoritmen till detta tillämpningsområde.

Artificiell intelligens (AI) har diskuterats filosofiskt under lång tid. I och med datorns uppkomst och utveckling har dock nya filosofiska grenar framkommit. Den filosofiska AI:n syftar ofta att modellera människans kognitiva förmågor. AI är inte bara ett filosofiskt ämne utan andra områden har även ett intresse av AI. Med hjälp av avancerade system som till exempel expertsystem, artificiella neurala nätverk (ANN) samt viss robotik kan datorn och dess mjukvara tillämpas i allt mer avancerade och kommersiella situationer. Syftet med dessa tillämpningar är dock inte att modellera mänskliga mentala förmågor utan att finna lösningar på praktiska problem. Avsikten med detta arbete är att undersöka kopplingsförhållandet mellan filosofisk och kommersiell AI samt att finna indikationer på huruvida det kan finnas information inom filosofisk AI som kan vara av betydelse vid skapande av kommersiella AI-system. Metoderna som används för att finna svar på dessa frågor är litteraturstudier och intervjuer, båda av kvalitativ natur

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.