Ajudants:             Bianca INNOCENTI            Josep Maria CREGO

Equips participants:

• Equip 1: "Dream Team"

Albert Vergés i Ciurana
Santi Cots

Treball: (1) Fuzzy 1. Implementació algorísmica orientada a objectes.
Qualificació: Entregat.

---

• Equip 2: "Sense Nom"

Daniel Bassas
Ramon Gelabert

Treball: (5) Genètics 1. Aprententatge off-line.
Qualificació:

---

• Equip 3: "JQC (Jo qué sé)"


Alex Brusi Terrades
Toni Martinez Arteaga

Treball: (4) Neuronal 2. Aprenentatge on-line
Qualificació:

---

• Equip 4: "Javantus UC Team"

Jeroni Salellas Gomez
Enric Hospital Junca

Treball: (3) Neuronal 1. Aprenentatge off-line.
Qualificació:

---

• Equip 5: "DALTON 2-3"

Xavi Lladó
Miquel Grabulosa

Treball: (8) Sistema expert JESS 2. Implementació amb dispar de regla mitjançant lògica difusa.
Qualificació:

---

• Equip 6: "DRINK-TEAM's-TOTAL-FOOTBALL"

Macià Roca Isern
Albert Talleda Busquets

Treball: (9) Agent + consensus 1. Normal.
Qualificació:

---

• Equip 7: "JS Costellada Team"

Carles Carbonell
Bernat Casero

Treball: (6) Genètics 2. Aprenentatge on-line.
Qualificació:

---

• Equip 8: "1ou7kou Team"

Xavier Armangué Quintana
Robert Martí Marly

Treball: (10) Agent + consensus 2. Implementació adaptativa.
Qualificació:

---

• Equip 9: "DALTON 1-4"

Miquel Montaner Rigall
Xavier Muñoz Pujol

Treball: (9) Agent + consensus 1. Normal.
Qualificació:

---

• Equip 10: "Arreplegats"

Carles Massallé
German Del Barrio

Treball: (2) Fuzzy 2. Implementació neuronal? O bé ALTRES LÍMITS
Qualificació:

---


 
 

• Fuzzy 1. Implementació algorísmica orientada a objectes.
• Fuzzy 2. Implementació neuronal.
• Neuronal 1. Aprenentatge off-line.
• Neuronal 2. Aprenentatge on-line
• Genètics 1. Aprententatge off-line.
• Genètics 2. Aprenentatge on-line.
• Sistema expert JESS 1. Implementació convencional.
• Sistema expert JESS 2. Implementació amb dispar de regla mitjançant lògica difusa.
• Agent + consensus 1. Normal.
• Agent + consensus 2. Implementació adaptativa.
• Altres límits: Agent0 implementat en Java.
• Altres límits: Agent0 implementat en Prolog.
• Altres límits: Planificador oportunista.
• Altres límits: Tècniques d’avaluació de rendiment de sistemes intel·ligents.

S’assignaran aquestes tècniques fins a 10 equips. Lo normal serà qu’es triin les tècnicques enumerades de l’1 al 10 perquè són els continguts explicats al curs (fuzzy, neuronal, genètics, sistemes experts i agents amb consensus). Pero noteu que l’aplicació dels temes parells (2, 4, 6, 8 i 10) així com els considerats com a altres límits (11-14) implicarà una aspiració a conseguir la màxima nota.

La qualificació entre els 4 equips primers de la competició regular implicarà 0.25 punts més. La qualificació al primer lloc implica 0.25 punts més. En la competició lliure, qui guanyi rebrà 0.25 punts addicionals.

Treballarem sobre l’equip bàsic del class JavaSoccer.teams.BrianTeam
Notem qu’a més a més podeu presentar un equip dissenyat per voltros sense cap restricció.
Tot això ho discutirem a la classe de dimarts 1 de desembre de 1998.
Molts ànims a tothom.

en peplluis

Xoc-geriments

• Forma d’implementar el fuzzy:

• Anàlisi i disseny. fer-los en MATLAB.
• Implementació 1: creeu les funcions de pertenyença com a mètodes de classes on hi heu definit els conjunts difusos, creeu funcions de combinació de valors i certeses de regla a l’estil de Sugeno (puntuals) on els valors de sortida numèric es ponderen amb les certeses, i les certeses se lis aplica OR per fer la desfuzzyficació.
• Implementació 2: implementeu l’algorisme difús com a una xarxa neuronal en que les neurones de la capa d’entrada són les funcions de pertenyença de cada variable d’entrada, una capa intermitja on es combinen les funcions de pertenyença a semblança de com ho faria la premisa de cada regla fuzzy qu’hageu dissenyat (aleshores tantes neurones de la capa intermitja com regles hi tingueu) i una tercera capa de sortida on hi hauria la combinació de totes les regles / desfuzzificació.
• Implementació 3: implementeu la matriu d’inferència fuzzy explicat a classe.


Per conseguir nota: conseguir una bona implementació de la mecànica fuzzy en JAVA.

• Forma d’implementar el neural:

• Anàlisi i disseny: fer-los en MATLAB o en el Javasoccer, mitjançant les classes java de neural.
• Implementació 1: amb les classes java de neural, un cop entrenades.
• Implementació 2: amb les classes java de neural, que reaprenguin on-line.


Per conseguir nota: entrenar el fer centres entre jugadors d’atac.

• Forma d’implementar el genètics:

• Anàlisi i disseny: fer-los en MATLAB o en el Javasoccer, mitjançant les classes java de genètics. Exemple: articles "Evolving Team Darwing United", pp.317-323, RoboCup ’98. Cada jugador té una colònia de possibles accions a fer codificades de forma genètica que va avaluant a mida que juga i que per tant va adaptant. Al principi no en sap gaire de jugar per finalment aprendre a jugar convenientment.

• Implementació 1: : amb les classes java de genètics, un cop entrenades.
• Implementació 2: amb les classes java de genètics, que reaprenguin on-line.


Per conseguir nota: entrenar el fer centres entre jugadors d’atac.

• Forma d’implementar el JESS:

• Anàlisi, disseny i implementació: en JESS.


Per conseguir nota fer centres entre jugadors d’atac i jugades elaborades.

• Forma d’implementar l’agent amb consensus:

 
• Anàlisi, disseny i implementació: emprar fuzzy per conseguir valoracions fuzzy sobre distàncies i aplicar el consensus per decisions. Modificació de la visió del món co-operatiu.


Per conseguir nota: no haver d’emprar un control centralitzat perque no hi hagi una acumulació de jugadors per a cada jugada.

• Forma d’implementar l’agent amb AGENT0 en Java:

• Anàlisi, disseny i implementació: emprar java per codificar l’estructura BDI del llenguatge AGENT0.


Per conseguir encara més nota: representar la intencionalitat dels altres jugadors per esvortar les seves intencions.

• Forma d’implementar l’agent amb AGENT0 en Prolog:

• Anàlisi, disseny i implementació: emprar prolog per codificar l’estructura BDI del llenguatge AGENT0.

 

 

Per conseguir encara més nota: representar la intencionalitat dels altres jugadors per esvortar les seves intencions.
 

• Forma d’implementar un planificador oportunista:

• Anàlisi, disseny i implementació: emprar java per codificar un planificador oportunista.

Per conseguir encara més nota: fer dos centres consecutius entre jugadors (teva – meva –teva - meva).

• Forma d’implementar un avaluador de sistemes intel·ligents:

• Anàlisi i disseny: empreu els resultats d’avaluació de Robocup. Cerca adreça web http://www.isi.edu/soar/galk/RoboCup/Eval/ + llibre de tècniques estadístiques d’avaluació de sistemes intel·ligents.
• Implementació: en Java.

 

 

Per conseguir encara més nota: generar un comentari en llenguatge natural a partir dels índexos de rendiment proposats.