代做COMP30024 Artificial Intelligence Project Part B Playing the Game代写Python语言

Project Part B

Playing the Game

COMP30024 Artificial Intelligence

April 2025

1 Overview

In this second part of the project, you will write an agent program to play the full two-player version of Freckers.  Before you read this specification it is a good idea to re-read the ‘Rules for the Game of Freckers’ document to re-familiarise yourself with the rules.  A link to this as well as a browser based app of the game can be found on the LMS where you found this document.

The aims for Project Part B are for you and your project partner to  (1) practice applying the game-playing techniques discussed in lectures and tutorials,  (2)  develop your own strategies for playing Freckers, and (3) conduct your own research into more advanced algorithmic game-playing techniques; all for the purpose of creating the best Freckers–playing program the world has ever seen!

Similar to Part A, you can (and should) regularly submit to Gradescope as a means to get immediate feedback on how you are progressing.  The autograder will be equipped with simple (not particularly clever) “test” opponent.  See the Submission section at the end of this document for details.

Both you and your partner are expected to read this specification in full before commencing the project, then at your earliest convenience, you should both meet up and come up with an action plan for tackling it together (see Section 4.2 for our expectations regarding teamwork).

1.1 The Task

Your task is twofold.  Firstly, you will design and implement an agent program to play the game of Freckers.  That is, given information about the evolving state of the game, your program will decide on an action to take on each of its turns (we provide a “referee” program to coordinate a game of Freckers between two such programs so that you can focus on implementing the game- playing strategy). Section 2 describes this programming task in detail, including information about how the referee program will communicate with your agent program and how you can run the referee program.

Secondly, you will write a report discussing the strategies your program uses to play the game, the algorithms you have implemented, and other techniques you have used in your work, highlighting the most impressive aspects. Section 3 describes the intended structure of this document.

The rest of this specification covers administrative information about the project.  For assessment criteria, see Section 4. For submission and deadline information see Section 5. Please seek our help if you have any questions about this project.

2 The program

You have been given a template Python 3.12 program in the form of a module called agent. Alongside this module is the “driver” module named referee, which is what is used in the sub- mission (and tournament) environment to verse two agents against other and enforce the rules of the game.  We’ve given this to you so you can test your agent locally, but it’s also a good idea to make periodic submissions to Gradescope like you did in Part A of the project. We have provided a simple (not very clever) agent that you can playtest your work against in this environment.

Before continuing, download the template and follow the “Running the template code” guide on the assignment LMS page. Once your local development environment is set up, try running the command python  -m  referee  agent  agent This will play the template agent module against itself (naturally this will result in a failed game as it’s not implemented yet!).

Further details regarding how to use the referee module, how it interacts with your game playing agent(s), as well as the high level process involved in playing a game are specified in the following subsections.  It is important you read these carefully to make the most of what we have provided you and hence minimise wasted effort.

2.1 The Agent class

Within the agent module that comes with the template project you will find a program. py file inside that defines a Python class called Agent.   This class should not be instantiated directly, rather, the methods of this class are invoked by the referee throughout a game of Freckers and hence serve as an interface for your agent to play the game.

The Agent class defines the following three methods which you must implement:

1. def init (self,  color:    PlayerColor,  **referee:    dict):   Called once at the be- ginning of a game to initialise your player. Use this method to set up an internal representation of the game state.

The parameter color will be PlayerColor. RED if your program will play as Red, or the string PlayerColor. BLUE if your program will play as Blue. Note that that the PlayerColor enum is imported from the referee. game module – you will see numerous types like this in the template. We discuss the **referee param later on, as this is common to all methods.

2. def  action(self,  **referee:    dict)  ->  Action: Called at the beginning of your agent’s turn. Based on the current state of the game, your program should select and return an action to play. The action must be represented based on the instructions for representing actions in the next section.

3. def update(self,  color:    PlayerColor,  action:    Action,  **referee:    dict):

Called at the end of each player’s turn,  after  the  referee  has  validated  and  applied  that player’s action to its game state. You should use this method to update your agent’s internal representation of the game state so it stays in sync.

The parameter player will be the player whose turn just ended, and action will be the action performed by that player. If it was your agent’s turn that just ended, action will be the same action object you returned through the action method. You may assume that the action argument will always be valid since the referee performs validation before this method is called (your update method does not need to validate the action against the game rules).

Provided that you follow the above interface, it is possible to define multiple agent classes with different modules/names and play them against each other.  This is helpful for benchmarking and comparison purposes as you refine your work.

You may optionally use the referee parameter in these methods (strictly speaking this parameter represents keyword arguments as a dictionary, and may be expanded if desired).  It contains useful metrics passed from the referee, current as of the start of the method call:

• referee["time_remaining"]: The number of seconds remaining in CPU time for your agent instance. If the referee is not configured with a time limit, this will be equal to None.

• referee["space_remaining"]: The space in MB still available for use by your agent instance, otherwise None if there is no limit or no value is available.  This will only work if using the “Dev Container” method to work on your project (or otherwise use a Linux based system).

• referee["space_limit"]:  This is  a static space limit value available on any system.  It might be handy to have in the __init__ ( . . .)  method if you pre-compute any very large data structures. If no limit is set in the referee, it will equal None.

2.2 Representing actions

To construct actions, you should use the dataclass definitions in referee/game/actions . py as well as referee/game/coord. py. You should already be familiar with these structures from Part A of the project.   This time,  instead of generating a list of actions you should return just one MoveAction or GrowAction object from the aforementioned action method.

2.3 Playing a game

To play a game of Freckers with your agent module, we provide a  “driver” program — a Python module called referee which sits alongside it in the template.

You don’t need to understand exactly how the referee works under the hood (suffice to say parts of it are quite complex), however, it’s important that you are aware of the high-level process it uses to orchestrate a game between two agent classes, summarised as follows:

1.  Set up  a  Freckers game and create a sub-process for each player’s agent program.  Within each sub-process, instantiate the specified agent classes for each of Red and Blue, as per the command line arguments (this calls their  . init () methods).  Set the active player to Red, since they always begin the game as per the rules.

2.  Repeat the following until the game ends:

(a) Ask the active player for their next action by calling their agent object’s  . action( . . .) method.

(b) Validate the action and apply it to the game state if is allowed, otherwise, end the game with an error message. Display the resulting game state to the user.

(c) Notify both agent objects of the action by calling their  . update( . . .) methods.

(d)  Switch the active player to facilitate turn-taking.

3. After detecting one of the ending conditions, display the final result of the game to the user.

To play a game, the referee module (the directory referee/) and the module(s) with your Agent class(es) should be within your current working directory (you can type ls within your terminal to confirm this). You can then invoke the referee, passing the respective modules as follows:

python  -m  referee    

...where  and  are the names of the modules containing the classes to be used for Red and Blue, respectively.  The referee comes with many additional options to assist with visualising and testing your work.  To read about them, run ‘python  -m  referee  --help’ .

Avoid modifying the referee module as this risks inconsistencies between your local environment and the assessment environment (Gradescope).  An original copy of the referee is used on Gradescope which means any modifications you make to it will not apply during assessment, even if uploaded with your submission.

2.4 Program constraints

The following resource  limits will be strictly enforced on your program during testing.   This is to prevent your agent from gaining an unfair advantage just by using more memory and/or computation time. These limits apply to each player agent program for an entire game:

• A maximum computation time limit of 180 seconds per player, per game.    This  is measured in accumulated  CPU time across the span of the game,  though there is  also a hard “wall clock” timeout of the same duration for any given action (this is to handle cases where an agent gets stuck in an excessively long computation or infinite loop).

• A maximum (“peak”) memory usage of 250MB per player, per game, not including any imported libraries mentioned in Section 2.5.

You must not attempt to circumvent these constraints.  Do not use multiple threads or attempt to communicate with other programs/the internet to access additional resources.  Saving to and loading from disk is also prohibited.

For help measuring or limiting your program’s resource usage, see the referee’s addi- tional options (--help).  Note that memory usage can only be tracked locally when running the referee in the given Dev Container (or another Linux based system).

2.5 Allowed libraries

Your program should use only standard Python libraries, plus the optional third-party library NumPy.  With acknowledgement, you may also include code from the AIMA textbook’s Python library, where it is compatible with Python 3.12 and the above limited dependencies.  Beyond these, your program should not require any other libraries in order to play a game.

However, while you develop your agent program, you are free to use other tools and/or programming languages. This is all allowed only if your Agent class does not require these tools to be available when it plays a game.

For example, let’s say you want to use machine learning techniques to improve your program. You could use third-party Python libraries such as scikit-learn/TensorFlow/PyTorch to build and train a model. You could then export the learned parameters of your model. Finally, you would have to (re)implement the prediction component of the model yourself, using only Python/NumPy/SciPy. Note that this final step is typically simpler than implementing the training algorithm, but may still be a significant task.

3 The report

Finally, you must discuss the strategic and algorithmic aspects of your game-playing program and the techniques you have applied in a separate file called report. pdf.

This report is your opportunity to highlight your application of techniques discussed in class and beyond, and to demonstrate the most impressive aspects of your project work.

3.1 Report structure

You may choose any high-level structure of your report.  Aim to present your work in a logical way, using sections with clear titles separating different topics of discussion.

Below are some suggestions for topics you might like to include in your report.  Note that not all of these topics or questions will be applicable to your project, depending on your approach — that’s completely normal. You should focus on the topics which make sense for you and your work. Also, if you have other topics to discuss beyond those listed here, feel free to include them.

• Describe your approach: How does your game-playing program select actions throughout the game?

Example questions: What search algorithm have you chosen, and why?  Have you made any modifications to an existing algorithm?  What are the features of your evaluation function, and what are their strategic motivations?  If you have applied machine learning, how does this fit into your overall approach? What learning methodology have you followed, and why? (Note that it is not essential to use machine learning to design a strong player)

• Performance evaluation: How effective is your game-playing program?

Example questions: How have you judged your program’s performance?  Have you compared multiple programs based on different approaches, and, if so, how have you selected which is the most effective?

• Other aspects: Are there any other important creative or technical aspects of your work?   Examples:  algorithmic optimisations,  specialised data structures, any other significant effi- ciency optimisations, alternative or enhanced algorithms beyond those discussed in class, or any other significant ideas you have incorporated from your independent research.

• Supporting  work:   Have  you completed any other work to  assist you in the process of developing your game-playing program?

Examples: developing additional programs or tools to help you understand the game or your program’s behaviour, or scripts or modifications to the provided driver program to help you more thoroughly compare different versions of your program or strategy.

You should focus on making your writing succinct and clear, as the overall quality of the report matters. The appropriate length for your report will depend on the extent of your work, and how novel it is, so aiming for succinct writing is more appropriate than aiming for a specific word or page count, though there is a hard maximum as described below.

Note that there’s probably no need to copy chunks of code into your report, except if there is something particularly novel about how you have coded something  (i.e.,  unique to your work). Moreover, there’s no need to re-explain ideas we have discussed in class.   If you have applied a technique or idea that you think we may not be familiar with, then it would be appropriate to write a brief summary of the idea and provide a reference through which we can obtain more information.

3.2 Report constraints

While the structure and contents of your report are flexible, your report must satisfy the following constraints:

• Your report must not be longer than 6 pages (excluding references, if any).

• Your report can be written using any means but must be submitted as a PDF document.

4 Assessment

Your team’s Project Part B submission will be assessed out of 22 marks, and contribute 22% to your final score for the subject. Of these 22 marks:

• 11 marks will be allocated to the performance of your final agent (you can only submit one, so pick your best if you developed a few agents).

Marks are awarded based on the results of testing your agent against a suite of hidden ‘bench- mark’ opponents of increasing difficulty, as described below.  In each case, the mark will be based on the number of games won by your agent.  Multiple test games will be played against each opponent with your agent playing as Red and Blue in equal proportion.

5 marks available: Opponents who choose randomly from their set of allowed actions each turn, or use some form of weighted random distribution to pick moves.

3 marks available: ‘Greedy’ opponents who select the most promising action available each turn, without considering your agent’s possible responses (for various definitions of ‘most promising’).

3 marks available: Opponents using any of the adversarial search techniques discussed in class to look an increasing number of turns ahead.

The tests will run with Python 3.12 on Gradescope.  Programs that do not run in this environment will be considered incorrect and receive no marks for performance. Like in Part A of the project, you should submit to Gradescope early and often – you can already test your work against an agent which is live now.  While the agent is not very clever, it reliably plays valid actions!

• 11 marks will be allocated to the successful application of game playing techniques demon- strated in your work.

We will review your report (and in some cases your code) to assess your application of adversar- ial game-playing techniques, including your game-playing strategy, your choice of adversarial search algorithm, and your evaluation function.  For top marks, we will also assess your ex- ploration of topics beyond just techniques discussed in class. Note that your report will be the primary means for us to assess this component of the project, so please use it as an opportunity to highlight your successful application of techniques.  For more detail, see the following rubric:

0—5 marks: Work that does not demonstrate a successful application of important techniques discussed  in  class  for  playing  adversarial  games.   For  example,  an  agent  just  makes random moves would likely get 0 marks.

6—7 marks: Work that demonstrates a successful application of the important techniques discussed in class for playing adversarial games, possibly with some theoretical, strategic, or algorithmic enhancements to these techniques.

8—9 marks: Work that demonstrates a successful application of the important techniques discussed in class for playing adversarial games, along with many theoretical, strategic, or algorithmic enhancements to these techniques,  possibly including some  significant enhancements based on independent research into algorithmic game-playing or original strategic insights into the game.

10—11 marks: Work that demonstrates a highly successful application of important tech- niques  discussed  in  class  for  playing  adversarial  games,  along  with  many  significant theoretical,  strategic,  or  algorithmic enhancements to those techniques,  based on in- dependent research into algorithmic game-playing or original strategic insights into the game, leading to excellent player agent performance.

As per this marking scheme, it is possible to secure a satisfactory mark by successfully applying the techniques discussed in class.  Beyond this, the project is open-ended.  Every year, we are impressed by what students come up with. However, a word of guidance: We recommend starting with a simple approach before attempting more ambitious techniques, in case these techniques don’t work out in the end.