<p>Multiplikatorer används ofta som ett byggblock vid konstruktion av kretsar som digitala filter, FFT-processorer och aritmetiska enheter. Olika trädstrukturer används i"höghastighet"applikationer för multiplikatorer. En typ av träd,"overturned-stairs"(OS) som är ett adderarträd av första ordningen har uppvisat lika optimal prestanda med avseende på hastighet som Wallace-träd, vid 18 eller färre ingångar. I moderna integrerade kretsar, ger ledningar och kopplingar upphov till fördröjningar och parasitiska laster. I en jämförelse mellan Wallace-träd, och OS1-träd har det sistnämda kortare och mindre komplicerad ledningsdragningar och är därför mer ändamålsenlig för VLSI implementationer.</p>

Multiplikatorer används ofta som ett byggblock vid konstruktion av kretsar som digitala filter, FFT-processorer och aritmetiska enheter. Olika trädstrukturer används i"höghastighet"applikationer för multiplikatorer. En typ av träd,"overturned-stairs"(OS) som är ett adderarträd av första ordningen har uppvisat lika optimal prestanda med avseende på hastighet som Wallace-träd, vid 18 eller färre ingångar. I moderna integrerade kretsar, ger ledningar och kopplingar upphov till fördröjningar och parasitiska laster. I en jämförelse mellan Wallace-träd, och OS1-träd har det sistnämda kortare och mindre komplicerad ledningsdragningar och är därför mer ändamålsenlig för VLSI implementationer.

AI är något som blir allt viktigare inom dagens spel och får allt högre krav på att agera mänskligt och intelligent. Detta kandidatarbete undersöker vilken metod som är att föredra för att skapa en AI som kan lära sig av sina tidigare erfarenheter. Några av de metoder som undersöks är trädstrukturer, Artificial Neural Network och GoCap. Genom att skapa en applikation med en av metoderna samt göra en undersökning på hur AI:n i applikationen upplevdes fick vi resultat om denna metod var användbar. Utifrån detta diskuteras det ifall andra metoder hade varit mer effektiva, hur man hade kunnat förbättra AI:n samt hur framtiden för spel-AI skulle kunna se ut. / AI is something that has become more important in today’s games and gets higher pressure to act human and intelligent. This thesis examines which methods are preferred when creating an AI that can learn from its previous experiences. Some of the methods that are examined are tree structures, Artificial Neural Network and GoCap. By creating an application with one of the methods and a survey of how the AI in the application was perceived we got a result that showed us if the method was functional. From this we discuss if the other methods would have been more effective, how we could have improved the AI and what the future for game-AI holds.