Player modeling using Bayesian networks

Typically programs for game playing use the Minimax strategy, which assumes a perfectly rational opponent whose actions are performed optimally. However, most human opponents depart from rationality. In this case, the best move at any given step may not be one that is indicated by MiniMax and an algorithm that takes into consideration humans imperfection will perform better. In order to consider player's weaknesses, it is necessary to model the opponent – learn and know his/her strategies. We build a Bayesian network to model the player. We learn the conditional probability tables in the network from data collected in the course of the game.

Algorytmy grające w gry zazwyczaj używają strategii Minimax zakładającej perfekcyjność przeciwnika, który wybiera zawsze najlepsze ruchy w grze. Gracze jednakże mogą nie działać całkiem racjonalnie. Algorytm, który weźmie to pod uwagę, może dawać lepsze wyniki niż Minimax. Aby wykorzystać słabości przeciwnika, należy stworzyć jego model. W tym celu zbudowaliśmy sieć bayesowską, w której tworzymy tablicę prawdopodobieństw z danych zbieranych w trakcie gry.