Diese Arbeit befasst sich mit der Optimierung und der Problemlösung durch evolutionäre Algorithmen. Es werden Grundlagen und Strukturen dieser Algorithmen dargestellt und verdeutlicht, dass eine Betrachtung mehrerer Ziele durch evolutionäre Algorithmen vorteilhaft in der Lösung komplexer Probleme sein kann. Fighting Games, der Kampf zwischen zwei Spielern in Echtzeit, stellen solch ein komplexes Problem dar. Aufbauend auf diesem Wissen wird ein Controller für die Fighting Game AI Competition, der einen evolutionären Algorithmus zur Entscheidungsfindung nutzt implementiert. In der Fighting Game AI Competition werden Kämpfe zweier künstlicher Intelligenzen simuliert. Der entwickelte Controller SMSEMOAai basiert auf dem, in der KI-Videospielindustrie erfolgreichen, Schema der Monte-Carlo-Tree-Search, mehrere Spielszenarien zu simulieren, um die beste Aktionskette auszuwählen, greift aber auf die Fähigkeit von evolutionären Algorithmen zurück, große Suchräume vergleichsweise effizient zu durchsuchen. Die durchgeführte Fallstudie zeigt, dass die SMSEMOAai erste Erfolge gegen etablierte und starke Referenzgegner der Fighting Game AI Competition erzielen konnte und präsentiert mit der Nutzung des SMS-EMOA ein bemerkenswertes Potential, um sich gegen diese Gegner in der Zukunft auch durchzusetzen. Es werden zudem Ansätze für die Weiterentwicklung der SMSEMOAai vorgestellt, welche vielversprechende Erkenntnisse im Bereich der Echtzeitproblemlösung durch evolutionäre Algorithmen erzielen könnten.    «

Diese Arbeit befasst sich mit der Optimierung und der Problemlösung durch evolutionäre Algorithmen. Es werden Grundlagen und Strukturen dieser Algorithmen dargestellt und verdeutlicht, dass eine Betrachtung mehrerer Ziele durch evolutionäre Algorithmen vorteilhaft in der Lösung komplexer Probleme sein kann. Fighting Games, der Kampf zwischen zwei Spielern in Echtzeit, stellen solch ein komplexes Problem dar. Aufbauend auf diesem Wissen wird ein Controller für die Fighting Game AI Competition, de...    »