Agen Otonom Untuk Ketepatan Penembakan Pada Game Roket Berbasis Ant Colony Optimization

Septian Enggar Sukmana; Ely Nur Rahayu

doi:10.33086/atcsj.v3i1.1587

Authors

Septian Enggar Sukmana Politeknik Negeri Malang
Ely Nur Rahayu Politeknik Negeri Malang

DOI:

https://doi.org/10.33086/atcsj.v3i1.1587

Keywords:

ant colony optimization, game, simulasi game, agen otomatis

Abstract

ACO berbasis klasifikasi diterapkan pada game Rocket Tank untuk membantu karakter rocket dalam menembak target (tower) secara tepat. Pada paper ini, roket berfungsi sebagai sarang semut dan tower sebagai sumber makanan. Agen semut dijalankan secara acak dan berjalan menemukan sumber makanan. Sumber makanan yang ditemukan didefinsikan sebagai target yang harus ditembak, dasar dari penentuan sumber makanan adalah jumlah bobot feromon yang terkumpul tanpa nilai jarak. Implementasi yang dilakukan pada paper ini adalah membandingkan penerapan ACO berbasis klasifikasi (melibatkan bobot feromon pada sumber makanan) dengan ACO state-of-the art dengan hasil pada 100 kali iterasi adalah ACO berbasis klasifikasi mampu menembak secara tepat pada sasaran dibandingkan dengan ACO state-of-the art dengan peningkatan jumlah tembakan yang lebih banyak pada ACO berbasis klasifikasi dibandingkan ACO state-of-the art.

Downloads

Download data is not yet available.

References

J. Tian, W. Yu, and L. Ma, “AntShrink: Ant colony optimization for image shrinkage,” Pattern Recognit. Lett., vol. 31, no. 13, pp. 1751–1758, 2010.

X. Yan, Z. Hao, H. Huang, and H. Wu, “Ant colony optimization with human-computer cooperative strategy for two-echelon vehicle routing problem,” in Proceedings of the Genetic and Evolutionary Computation Conference Companion, 2017, pp. 1443–1446.

X. Gao, “An improved Ant Colony Algorithm Used In Land Optimized Allocation,” in Proceedings of the 2017 International Conference on Artificial Intelligence, Automation and Control Technologies, 2017, pp. 1–6.

X. Chen, H. Wang, W. Wang, Y. Shi, and Y. Gao, “Apply ant colony optimization to tetris,” in Proceedings of the 11th Annual conference on Genetic and evolutionary computation, 2009, pp. 1741–1742.

D. Aditama, R. P. N. Budiarti, S. N. S. Mardi, and M. Hariadi, “Dynamic Evolution Behavior for Non-Player,” vol. 5, no. 1, pp. 185–198, 2017.

M. Rastegarmoghadam and K. Ziarati, “Improved modeling of intelligent tutoring systems using ant colony optimization,” Educ. Inf. Technol., vol. 22, no. 3, pp. 1067–1087, 2017.

C. Romero and S. Ventura, Data mining in e-learning, vol. 4. WIT press, 2006.

M. Kickmeier-Rust and A. Holzinger, “Interactive Ant Colony Optimization to Support Adaptation in Serious Games,” Int. J. Serious Games, vol. 6, no. 3, pp. 37–50, 2019.

G. Recio, E. Martin, C. Estébanez, and Y. Saez, “AntBot: Ant colonies for video games,” IEEE Trans. Comput. Intell. AI Games, vol. 4, no. 4, pp. 295–308, 2012.

R. Du, X. Zhang, C. Chen, and X. Guan, “Path planning with obstacle avoidance in PEGs: Ant colony optimization method,” in 2010 IEEE/ACM Int’l Conference on Green Computing and Communications & Int’l Conference on Cyber, Physical and Social Computing, 2010, pp. 768–773.

J. A. Mocholi, J. Jaen, A. Catala, and E. Navarro, “An emotionally biased ant colony algorithm for pathfinding in games,” Expert Syst. Appl., vol. 37, no. 7, pp. 4921–4927, 2010.