Работа #1. Установка программного обеспечения

Отчет по лабораторной работе #1 выполнил(а):

• Афонасьев Артём Ильич
• РИ-230948 Отметка о выполнении заданий (заполняется студентом):

Задание	Выполнение	Баллы
Задание 1	*	0
Задание 2	*	0
Задание 3	*	0

знак "*" - задание выполнено; знак "#" - задание не выполнено;

Работу проверили:

• к.т.н., доцент Денисов Д.В.
• к.э.н., доцент Панов М.А.
• ст. преп., Фадеев В.О.

Структура отчета

• Данные о работе: название работы, фио, группа, выполненные задания.
• Цель работы.
• Задание 1.
• Код реализации выполнения задания. Визуализация результатов выполнения (если применимо).
• Задание 2.
• Код реализации выполнения задания. Визуализация результатов выполнения (если применимо).
• Задание 3.
• Код реализации выполнения задания. Визуализация результатов выполнения (если применимо).
• Выводы.
• ✨Magic ✨

Цель работы

Установить необходимое программное обеспечение, которое пригодится для создания интеллектуальных моделей на Python. Рассмотреть процесс установки игрового движка Unity для разработки игр.

Задание 1

Написать программу Hello World на Python с запуском в Jupiter Notebook.

Задание 2

Написать программу Hello World на C# с запуском на Unity.

Задание 3

Какую сущность(и) мы могли бы обучить ML-Agent-ом для того, чтобы создать более качественный игровой опыт?

Экономическая система магазина – обучение магазина не только адаптировать цены, но и динамически изменять доступные предметы. Например, агент может анализировать эффективность игрока и, если он играет слишком хорошо, предлагать более дорогие или редкие улучшения, чтобы поддерживать баланс. Пример подобной системы можно найти в Hades, где магазин предлагает товары, основываясь на прогрессе и успехах игрока.

Поведение элитных зомби – обученные ML-Agent элитные враги могут стать ключевыми элементами игровых волн. Эти зомби могут, к примеру, руководить обычными зомби, усиливая их атаку, или наоборот — защищать своих товарищей щитами. Подобная механика была успешно применена в Resident Evil 3 с «немезидой», который преследовал игрока и адаптировал свою тактику к поведению игрока.

Поведение зомби – ML-Agent может обучать разные типы зомби для создания вариативного поведения: некоторые будут агрессивными, стремясь быстро сблизиться с игроком, другие будут осторожнее, прятаться за препятствиями, чтобы избежать прямого огня. Для примера, в Left 4 Dead используется «AI Director», который динамически управляет волнами зомби и создает напряжение в зависимости от поведения игроков.

Адаптация сложности волн – агент может динамически изменять количество, типы зомби и их характеристики в зависимости от навыков игрока. Это позволит избежать чрезмерной легкости или сложности игры. В XCOM применяется подобная система: если игрок слишком успешен, игра усиливает врагов или добавляет новые условия для усложнения миссий. ML-Agent в зомби-шутере мог бы увеличить скорость врагов, добавить им броню или даже новые способности для усиления вызова.

Выводы

В этой работе я установил нужное програмное обеспечение и поразмышлял каких ML-агентов можно добавить в игру "СПАСИТИ РТФ : Выживание"

Plugin	README
GitHub	[plugins/github/README.md][PlGh]

Powered by

BigDigital Team: Denisov | Fadeev | Panov