Spelbalans är ett viktigt koncept inom spelutveckling, generellt sett så anses datorspel där det finns många olika strategier för att vinna, och där alla är effektiva, vara bättre än spel där det bara finns några få effektiva strategier. För att uppnå bra spelbalans krävs ofta att mycket tid med att testa spelet med speltestare för att hitta strategier som kan förstöra denna balans. Arbetet undersöker om man kan snabba upp speltestningsprocessen genom att låta en evolutionär algoritm automatiskt undersöka ett spels strategirymd, och sedan dra slutsatser på hur spelet skulle ändras för att förbättra spelbalansen. Resultatet pekar på att metoden kan hantera extremfall, men förlorar effektivitet vid en viss gräns. I framtiden kan algoritmens effektivitet förbättras genom att förbättra sättet algoritmen tar ekonomiska faktorer i åtanke.

<p>Testmetoder för tidskritiska applikationer har ofta bara omfattat statiska testmetoder där slutsatser kring applikationens exekveringstider och beteende dras utifrån studier av programkod och underliggande hårdvara. I detta arbete undersöks en dynamisk testmetod för framtagning av indata som med framgång använts i tidigare arbeten för bestämning av extrema exekveringstider hos applikationer. Detta arbete utvärderar tre varianter av denna testmetod för att försöka finna indata till applikationer som kan ge en inom ramen för applikationens möjligheter godtycklig exekveringstid. Detta för att förbättra möjligheterna att styra testning av denna typ av applikationer.</p><p>Arbetet har visat att två av de tre algoritmvarianterna har lyckats tämligen väl med att komma närmare det mål som sattes upp som exekveringstid men inga närmare slutsatser har kunnat dras kring vilka parametrar som påverkat dessa varianters effektivitet.</p>

<p>Artificiella neuronnät (ANN), som tränas för att approximera ett problem, använder träningsdata från problemdomänen. Då denna mängd träningsdata kan vara ofullständig behövs det en analysmetod som visar hur nätverket uppför sig. En sådan analysmetod är invertering av nätverket. Invertering innebär att data som ger ett specifikt resultat i nätverket identifieras. Dessa resultat kan ge exempel som visar på brister eller felaktigheter i nätverket. Det här projektet använder ett ANN som ska klassificera handskrivna siffror. Resultatet från inverteringen visas för en "expertpanel". Panelen får avgöra vilka exempel som inte ska anses vara siffror. De utsorterade exemplen används sedan i en ny mängd träningsdata i syfte att förbättra nätverkets förmåga att klassificera de handskrivna siffrorna. Resultaten från experimentet visar att nätverkets klassificeringsförmåga inte skiljer sig nämnvärt från ett traditionellt tränat ANN. Dock kan det finnas egenheter hos nätverket som har förbättrats och som inte har identifierats i det här projektet.</p>

Testmetoder för tidskritiska applikationer har ofta bara omfattat statiska testmetoder där slutsatser kring applikationens exekveringstider och beteende dras utifrån studier av programkod och underliggande hårdvara. I detta arbete undersöks en dynamisk testmetod för framtagning av indata som med framgång använts i tidigare arbeten för bestämning av extrema exekveringstider hos applikationer. Detta arbete utvärderar tre varianter av denna testmetod för att försöka finna indata till applikationer som kan ge en inom ramen för applikationens möjligheter godtycklig exekveringstid. Detta för att förbättra möjligheterna att styra testning av denna typ av applikationer. Arbetet har visat att två av de tre algoritmvarianterna har lyckats tämligen väl med att komma närmare det mål som sattes upp som exekveringstid men inga närmare slutsatser har kunnat dras kring vilka parametrar som påverkat dessa varianters effektivitet.

Artificiella neuronnät (ANN), som tränas för att approximera ett problem, använder träningsdata från problemdomänen. Då denna mängd träningsdata kan vara ofullständig behövs det en analysmetod som visar hur nätverket uppför sig. En sådan analysmetod är invertering av nätverket. Invertering innebär att data som ger ett specifikt resultat i nätverket identifieras. Dessa resultat kan ge exempel som visar på brister eller felaktigheter i nätverket. Det här projektet använder ett ANN som ska klassificera handskrivna siffror. Resultatet från inverteringen visas för en "expertpanel". Panelen får avgöra vilka exempel som inte ska anses vara siffror. De utsorterade exemplen används sedan i en ny mängd träningsdata i syfte att förbättra nätverkets förmåga att klassificera de handskrivna siffrorna. Resultaten från experimentet visar att nätverkets klassificeringsförmåga inte skiljer sig nämnvärt från ett traditionellt tränat ANN. Dock kan det finnas egenheter hos nätverket som har förbättrats och som inte har identifierats i det här projektet.

Titel: Väljer du rätt café för dig? - En studie om konsumentbeteende vid val av caféer Nivå: C-uppsats i ämnet företagsekonomi Författare: Caroline Lindberg och Elina Lundström Handledare: Jonas Kågström Datum: Mars - 2019 Syfte: Analysera evolutionär påverkan på konsumentbeteende Metod: Studien utgår från en kvantitativ metod med utgångspunkt i ett deduktivt förhållningssätt. Genom en webbaserad enkätundersökning som tilldelades 181 stycken respondenter i åldrarna 15– 90. Datan bearbetades i analys- och statistikprogrammet SPSS genom en deskriptiv-, faktor-, korrelations- och klusteranalys. Slutsats: Utifrån vår studie kan vi se att den evolutionära teorin i vissa fall stämmer överens med vårt resultat och att det finns tendenser till att individer handlar för att lösa problem som kan ligga i deras “fas”. När vi kollar på våra olika analyser så kan vi se att det finns vissa samband mellan de evolutionära teorierna och hur människor handlar. Studien styrker även att kvinnor i ovulationsfasen har en större benägenhet att unna sig något. Vi kan se en logisk koppling utifrån vårt resultat, att kvinnor i yngre ålder (innan klimakteriet), påverkas mer av ovulationfasen än äldre kvinnor. Uppsatsens bidrag: I vår studie utgår vi ifrån att alla människor går igenom faser som är evolutionärt grundade, vilket är teorin som Griskevicius och Kenrick bygger sin teori på. De menar att evolutionära teorier och fundamentala motiv är en orsak till människors konsumentbeteende. Men vi vill påstå att vi kan se att det finns ett evolutionärt beteendesätt som inte alltid är rationellt, utan som är irrationellt. I vårt resultat kan vi se att Griskevicius och Kenricks teorier om att det finns en evolutionär påverkan stämmer i vissa sammanhang, men inte alltid. Som ett fortsatt bidrag kan vi se att studiens resultat kan utnyttjas av marknadsförare för att kvinnor i yngre ålder har andra preferenser och vill unna sig något under ovulationsfasen, vilket kan göra att de känner större köpvilja och större behov att unna sig. Därför vill vi, som ett andra bidrag, föreslå att man inte enbart ska använda den evolutionära teorin, då de inte säger hela sanningen om hur en konsument kommer att bete sig. Teorin kan ge en vägledning om hur konsumenter beter sig, men man måste även ta hänsyn till att konsumenter inte alltid lever som de lär. Förslag till vidare forskning: Vårt förslag på vidare forskning är att undersöka den evolutionära konsumentteorin under ett helt livsspann, det vill säga att man följer flera personer genom livet för att se hur dessas konsumentbeteenden ändras beroende på vilken fas i livet de befinner sig i. Med bakgrund av vår studie och enkätundersökning vill vi föreslå att vidare forskning ska göras i större skala och därmed få fler svar från respondenter i åldersspannen och faserna. Vi vill även föreslå att att andra demografiska frågor, som till exempel om man har barn eller ej, skulle kunna inkluderas för att undersöka närmare vilken livsfas människan befinner sig i. Ett sista förslag till vidare forskning är att använda denna studie för att undersöka samma teorier om konsumentbeteende, men tillämpa dessa på något annat än caféer, för att undersöka om resultatet kvarstår när konsumenten står inför val av något annat än café. Nyckelord: Evolutionära behov, fundamentala motiv, konsumentbeteenden, irrationellt konsumentbeteende, praxeoloxi, nudging, livsstadier.

Evolutionära algoritmer har visat sig vara effektiva för att utveckla spelnivåer. Dock finns fortfarande ett behov av nivåer som både uppfyller de krav som spelen har, samt att nivåerna som skapas ska vara så olika som möjligt för att uppmuntra upprepade spelomgångar. För att åstadkomma detta kan man använda Novelty Search. Dock saknar Novelty Search funktioner som gör att populationen vill uppfylla de krav som nivåerna ska ha. Arbetet fokuserar därför på att jämföra två Novelty Search baserade algoritmer som båda uppmuntrar kravuppfyllning: Feasible Infeasible Novelty Search (FINS) och Pareto based Multi-objective evolutionary algorithm (PMOEA) med två mål: krav och Novelty Search. Studien jämför algoritmerna utifrån tre värden: hur stor andel av populationen som följer de ställda kraven, hur bra dessa individer är på att lösa ett nivårelaterat problem samt diversiteten bland dessa individer. Utöver PMOEA och FINS implementeras även en Novelty Search algoritm och en traditionell evolutionär algoritm. Tre experiment genomförs där nivåernas storlek och antalet krav varierade. Resultatet visar att PMOEA var bättre på att skapa fler individer som följde alla kraven och att dessa individer överlag var bättre på att optimera lösningar än vanlig Novelty Search och FINS. Dock hade FINS högre diversitet bland individerna än alla algoritmerna som testades. Studiens svaghet är att resultatet är subjektivt till algoritmernas uppsättning i artefakten, som sådan borde framtida arbeten fokusera på att utforska nya uppsättningar för att generalisera resultatet.

<p> </p><p>Att använda artificiella neurala nätverk i datorspel blir ett allt mer populärt sätt att styra de datorstyrda agenterna då detta gör att agenterna får ett mer mänskligt beteende och förmågan att generalisera och möta nya situationer och klara sig igenom dessa på ett sätt som andra typer av artificiell intelligens inte alltid kan hantera. Svårigheten med denna teknik är att träna nätverket vilket ofta kräver en lång tid av inlärning och många olika träningfall. Genom att använda genetiska algoritmer för att träna upp nätverken så kan mycket av det både tid och prestandakrävande arbetet undvikas. Denna rapport kommer att undersöka möjligheten att använda genetiska tekniker för att träna artificiella neurala nätverk i en miljö anpassad till och med fokus på spel. Att använda genetiska tekniker för att träna artificiella neurala nätverk är en bra inlärningsteknik för problem där det enkelt går att skapa en passande fitnessfunktion och där andra inlärningstekniker kan vara svåra att använda. Det är dock ingen teknik som helt tar bort arbetet från utvecklare utan istället flyttar det mer åt att utveckla fitnessfunktionen och modifiera variabler.</p><p> </p>

Att använda artificiella neurala nätverk i datorspel blir ett allt mer populärt sätt att styra de datorstyrda agenterna då detta gör att agenterna får ett mer mänskligt beteende och förmågan att generalisera och möta nya situationer och klara sig igenom dessa på ett sätt som andra typer av artificiell intelligens inte alltid kan hantera. Svårigheten med denna teknik är att träna nätverket vilket ofta kräver en lång tid av inlärning och många olika träningfall. Genom att använda genetiska algoritmer för att träna upp nätverken så kan mycket av det både tid och prestandakrävande arbetet undvikas. Denna rapport kommer att undersöka möjligheten att använda genetiska tekniker för att träna artificiella neurala nätverk i en miljö anpassad till och med fokus på spel. Att använda genetiska tekniker för att träna artificiella neurala nätverk är en bra inlärningsteknik för problem där det enkelt går att skapa en passande fitnessfunktion och där andra inlärningstekniker kan vara svåra att använda. Det är dock ingen teknik som helt tar bort arbetet från utvecklare utan istället flyttar det mer åt att utveckla fitnessfunktionen och modifiera variabler.

Scania has been working with statistics for a long time but has invested in becoming a data driven company more recently and uses data science in almost all business functions. The algorithms developed by the data scientists need to be optimized to be fully utilized and traditionally this is a manual and time consuming process. What this thesis investigates is if and how well evolutionary algorithms can be used to automate the optimization process. The evaluation was done by implementing and analyzing four variations of genetic algorithms with different levels of complexity and tuning parameters. The algorithm subject to optimization was XGBoost, a gradient boosted tree model, applied to data that had previously been modelled in a competition. The results show that evolutionary algorithms are applicable in finding good models but also emphasizes the importance of proper data preparation. / Scania har länge jobbat med statistik men har på senare år investerat i att bli ett mer datadrivet företag och använder nu data science i nästan alla avdelningar på företaget. De algoritmer som utvecklas av data scientists måste optimeras för att kunna utnyttjas till fullo och detta är traditionellt sett en manuell och tidskrävade process. Detta examensarbete utreder om och hur väl evolutionära algoritmer kan användas för att automatisera optimeringsprocessen. Utvärderingen gjordes genom att implementera och analysera fyra varianter avgenetiska algoritmer med olika grader av komplexitet och trimningsparameterar. Algoritmen som var målet för optimering var XGBoost, som är en gradient boosted trädbaserad modell. Denna applicerades på data som tidigare hade modellerats i entävling. Resultatet visar att evolutionära algoritmer är applicerbara i att hitta bra modellermen påvisar även hur fundamentalt det är att arbeta med databearbetning innan modellering.