Enxame de partículas aplicado a uma rede neural como backpropagation para otimização de tempo de jogo

Autores

  • Ana Paula Capeletti Ramos Almeida Universidade Tecnológica Federal do Paraná
  • Evandro Alves Nakajima Universidade Tecnológica Federal do Paraná

Palavras-chave:

Aprendizado de máquina., Particle swarm optimization., Jogo do Chrome.

Resumo

Este trabalho explora o algoritmo enxame de partículas como backpropagation de uma rede neural, baseando-se no jogo offline do Google Chrome, que é um endless runner (jogo onde o personagem corre automaticamente e continuamente para a direita), com o objetivo de maximizar o tempo de jogo. Para otimizar a rede foi utilizado o Particle Swarm Opmization (PSO) que é uma técnica de backpropagation criada para simular comportamento de um bando de pássaro. Pode-se concluir que o algoritmo PSO foi eficiente para o processo de otimização uma vez que os jogadores conseguiram atingir o tempo máximo estipulado em apenas 4 rodadas.

Downloads

Não há dados estatísticos.

Biografia do Autor

Ana Paula Capeletti Ramos Almeida, Universidade Tecnológica Federal do Paraná

Graduanda. Universidade Tecnológica Federal do Paraná. Orcid: 0000-0002-1992-4575

Evandro Alves Nakajima, Universidade Tecnológica Federal do Paraná

Possui graduação em Matemática pela Universidade Estadual de Maringá (2010) e mestrado em Matemática pela Universidade de São Paulo (2013). Doutorando em Engenharia Química pela Universidade Estadual do Oeste do Paraná. Atualmente é professor assistente da Universidade Tecnológica Federal do Paraná. Tem experiência nas áreas de Matemática e Engenharia Química. Orcid: 0000-0003-4758-9505.

Referências

AGUIAR, F. G. Utilização de Redes Neurais Artificiais para detecção de padrões de vazamento em dutos. 2010. p.95. Tese de Doutorado, Térmica e Fluidos - Universidade de São Paulo, São Paulo, 2010.

BÖRSTLER, J.; BRUCE, K.; MICHIELS, I. Sixth workshop on pedagogies and tools for learning object oriented concepts. ECOOP, p. 84-87, 2003. Acesso em: 04 out. 2020.

HARBOUR, J. S. Programação de Games com Java. Tradução da 2.ed. Boston: Cengage Learning, 2010.

HAYKIN, S. Redes Neurais: princípios e prática. Porto Alegre: Bookman Editora, 2007.

KENNEDY, J.; EBERHART, R. Particle swarm optimization. IEEE, p. 1942-1948, 1995. Acesso em: 04 out. 2020.

KHARE, A.; RANGNEKAR, S. A review of particle swarm optimization and its applications in solar photovoltaic system. Applied Soft Computing, v. 13, n. 5, p. 2997-3006, 2013. Acesso em: 04 jan. 2021.

MARINI, F.; WALCZAK, B. Particle swarm optimization (PSO). A tutorial. Chemometrics and Intelligent Laboratory Systems, v. 149, p. 153-165, 2015. Acesso em: 07 out. 2020.

MARTINIANO, A.; FERREIRA, R.P.; FERREIRA, A.; FERREIRA, A.; SASSI, R.J. Utilizando uma rede neural artificial para aproximação da função de evolução do sistema de Lorentz. Revista Produção e Desenvolvimento, v. 2, n. 1, p. 26-38, abr. 2016. Acesso em: 01 out. 2020.

MANZANO, J. A. N. G.; JÚNIOR, R. A. C. Programação de computadores com java. Saraiva Educação SA, 2014.

MCCULLOCH, W. S.; PITTS, W. A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, v. 5, n. 4, p. 115-133, 1943. Acesso em: 02 jan. 2021.

MOHAMMAD, A. A.; SOHRAB, Z.; ALI, L.; ALI, E.; IOANNIS, C. Reservoir permeability prediction by neural networks combined with hybrid genetic algorithm and particle swarm optimization. Geophysical Prospecting, v. 61, n. 3, p. 582-598, 2013. Acesso em: 18 jan. 2021.

NORVIG, P.; RUSSELL, S. Inteligência Artificial: Tradução da 3.ed. Rio de Janeiro: Elsevier Brasil, 2013.

ORACLE. Class Canvas. Java Platform. 7.ed, 2018. Disponível em: <https://docs.oracle.com/javase/7/docs/api/java/awt/Canvas.html>. Acesso em: 06 out. 2020.

POLAK, E., Computational Methods in Optimization: A Unified Approach. Cambridge: Academic Press, 1971.

RUMELHART D. E.; HINTON G. E.; WILLIANS R. J. Learinig representations by back propagation error. Nature, v. 323, nº. 9, p. 533-536, 1986. Acesso em: 22 jan. 2021.

SARAMAGO, S. F. P.; Métodos de otimização randômica: Algoritmos genéricos e Simulated annealling. Sociedade Brasileira de Matemática Aplicada e Computacional, v. 6, p. 25-26, 2003. Acesso em: 01 abr. 2021.

SLOWIK, A.; BIALKO, M. Training of Artificial Neural Networks Using Differential Evolution Algorithm, IEEE, p. 60-65. 2008. Acesso em: 02 out. 2020.

TAVARES, L.V.; Correia, F. N. Optimização linear e não linear: conceitos, métodos e algortimos. 2.ed. Lisboa: Livraria Portugal, 1986.

VAHLDICK, A. Uma experiência lúdica no ensino de programação orientada a objetos. XVIII Simpósio Brasileiro de Informática na Educação, Blumenau, n.1, 2007.

WOS. Trust the Difference. Web of Science Fact Book, 2021. Disponível em: <https://www.webofknowledge.com>. Acesso em: 09 mar. 2021.

XU, C. W. Learning Java with Games. 2.ed. New York: Springer, 2018.

ZHENYA, H.; Chengjian, W.; Luxi Y.; Xiqi G.; Susu Y. Extracting rules from fuzzy neural network by particle swarm optimisation, IEEE, p. 74-77. 1998. Acesso em: 09 mar. 2021.

ZSOLT, L. K. Redes Neurais Artificiais: fundamentos e aplicações. São Paulo: Livraria da física, 2002.

Arquivos adicionais

Publicado

2022-02-03

Como Citar

Almeida, A. P. C. R., & Alves Nakajima, E. (2022). Enxame de partículas aplicado a uma rede neural como backpropagation para otimização de tempo de jogo. Revista Brasileira De Iniciação Científica, 8, e021050. Recuperado de https://periodicoscientificos.itp.ifsp.edu.br/index.php/rbic/article/view/420

Edição

Volume 8, 2021 – publicação Contínua

Seção

Artigos

Licença

Copyright (c) 2022 Revista Brasileira de Iniciação Científica

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.