Baixe o app para aproveitar ainda mais
Prévia do material em texto
Um estudo sobre a construção de sistemas fuzzy para tomada de decisão de alto nível em um jogo de corrida de carros Seiya Fujii,Membro estudante, IEEE,Tomoharu Nakashima,Membro, IEEE,e Hisao Ishibuchi,Membro, IEEE Abstrato-Neste artigo, examinamos o desempenho de sistemas baseados em regras fuzzy em um domínio de corrida de carros. Sistemas baseados em regras fuzzy são usados para tomada de decisão de alto nível de um agente de automóveis. Examinamos dois métodos que geram um conjunto de padrões de treinamento para a construção de sistemas baseados em regras fuzzy. Também examinamos o efeito da informação sensorial na tomada de decisão de alto nível. O desempenho de quatro tipos de sistemas baseados em regras fuzzy é comparado em uma série de experimentos computacionais. A análise do uso de diferentes tipos de informações sensoriais e diferentes métodos para geração de padrões de treinamento também é realizada. propõe um método coevolutivo para adquirir o comportamento dos agentes para o jogo. Um grande número de métodos de inteligência computacional também foi proposto para jogos clássicos como go [14], [15], [16], othello [17], [18] e contract bridge[19]. Por outro lado, jogadores adversários para videogames são desenvolvidos por McFarlin e Todd [20]. Chen et al.[21] desenvolveram um simulador de um jogo de hóquei para que possam examinar o desempenho de seu método de inteligência computacional para robôs de hóquei reais. Dentre esses jogos, um jogo de corrida de carros é uma das áreas em crescimento como domínio de aplicação da inteligência computacional. Por exemplo, Agapitos et al.[22] examina o desempenho de redes neurais e programação genética para o jogo de corrida de carros. Togelius e Lucas [23] investigam detalhadamente o desempenho de controladores de carros com diferentes arquiteturas e diferentes tipos de informações sensoriais. Além disso, Togelius [24] examinou o desempenho de vários métodos evolutivos para o aprendizado automático de controladores de carros. Eles também investigaram o efeito das funções de fitness no desempenho de controladores de carros no aprendizado padrão e coevolutivo. Controladores de carros especializados para uma determinada pista de corrida são adquiridos por inclinação evolutiva em [25]. Informações sensoriais de controladores de carros são previstas por redes neurais em [26]. As pistas de corrida também são obtidas por aprendizado evolutivo para que os jogadores humanos no jogo de corrida de carros sintam as pistas desafiadoras e atraentes em [27], [28]. Recentemente, um novo formato de jogo de corrida de carros foi proposto em [29] onde vários agentes de carros competem entre si por waypoints em um campo de corrida. Os waypoints no jogo de corrida de carros são rotulados com um número que representa a ordem para mirar. Neste artigo, aplicamos técnicas de inteligência computacional a esse tipo de jogo de corrida de carros com waypoints ordenados. Os waypoints no jogo de corrida de carros são rotulados com um número que representa a ordem para mirar. Neste artigo, aplicamos técnicas de inteligência computacional a esse tipo de jogo de corrida de carros com waypoints ordenados. Os waypoints no jogo de corrida de carros são rotulados com um número que representa a ordem para mirar. Neste artigo, aplicamos técnicas de inteligência computacional a esse tipo de jogo de corrida de carros com waypoints ordenados. Uma das estratégias mais simples para o jogo de corrida de carros com waypoints ordenados é apenas mirar no primeiro waypoint. No entanto, existem muitos casos em que o agente do carro não consegue alcançar o primeiro waypoint antes de seu oponente. Por exemplo, se o agente do carro estiver longe do primeiro waypoint e o oponente estiver perto dele, será difícil para o agente do carro alcançar o primeiro waypoint antes do oponente. Nesta situação, o agente do carro deve desistir do primeiro waypoint e ir para o segundo waypoint. Assim, uma boa estratégia de seleção de waypoints é necessária para que um agente de carros seja competitivo contra os agentes de carros adversários. Neste artigo, propomos sistemas baseados em regras fuzzy para a tomada de decisão do agente de carros no domínio das corridas de carros com waypoints ordenados. No sistema baseado em regras fuzzy, o eu. euNTRODUÇÃO S A aplicação bem-sucedida de técnicas de inteligência artificial em jogos tem sido feita principalmente para jogos de tabuleiro. Por exemplo, para o jogo de xadrez Deep Blue [1] venceu o campeão mundial humano em 1997. O algoritmo implementado no Deep Blue é uma técnica de força bruta onde um sistema de máquina paralela de 30 nós foi usado para procurar o melhor lance que vence o jogador adversário. Recentemente a aplicação de técnicas de inteligência computacional a jogos é uma das áreas mais ativas na comunidade de inteligência computacional. Por exemplo, Quek et al.[2] investiga a diferença no desempenho entre aprendizagem evolutiva e incremental no contexto do dilema dos prisioneiros iterados (IPD). A cooperação entre jogadores é desenvolvida em Ashlock [3] onde os jogadores são colocados em nós dos chamados grafos combinatórios. Ghoneim et ai. [4] também investiga o efeito do compartilhamento de informações entre jogadores na evolução do comportamento dos jogadores. Wittkamp [5] compara o desempenho de estratégias obtidas por programação genética com aquelas representadas por uma tabela heurística para Spoof, que é semelhante ao IPD. A inteligência computacional também foi aplicada ao domínio do futebol RoboCup. Riedmiller et al.[6] propõe um método de aprendizado por reforço baseado em redes neurais artificiais para habilidades de baixo nível e também para cooperação entre jogadores. Nakashima et al.[7], [8] propõem um método de aprendizado por reforço difuso para interceptar uma bola chutada. Eles também propuseram um método evolutivo que obtém automaticamente uma estratégia ofensiva contra uma equipe adversária fixa [9], [10], [11]. Leigh et al.[12] propõe um método tipo A* para planejamento de rotas em seu jogo original Lagoon. Miles et al.[13] Além disso Seiya ( nakashi@cs.osakafu-u.ac.jp ) e Hisao Ishibuchi ( hisaoi@cs.osakafuu.ac.jp ) estão no Departamento de Ciência da Computação e Sistemas Inteligentes, Universidade da Prefeitura de Osaka, Gakuen-cho 1-1, Naka-ku, Sakai, Osaka 599-8531, Japão. Fujii ( fujii@ci.cs.osakafu-u.ac.jp ), Tomoharu Nakashima 2299 978-1-4244-1819-0/08/$25,00©c 2008 IEEE Uso licenciado autorizado limitado a: UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL. Baixado em 30 de janeiro de 2022 às 13:44:30 UTC do IEEE Xplore. Restrições aplicadas. Traduzido do Inglês para o Português - www.onlinedoctranslator.com https://www.onlinedoctranslator.com/pt/?utm_source=onlinedoctranslator&utm_medium=pdf&utm_campaign=attribution a informação sensorial do agente do carro é usada como entrada do sistema baseado em regras fuzzy. Como nossos sistemas baseados em regras fuzzy são categorizados como aprendizado supervisionado, um conjunto de padrões de treinamento com sinais alvo conhecidos é necessário para construir um sistema baseado em regras fuzzy. No entanto, nenhum padrão de treinamento está disponível na construção de sistemas baseados em regras fuzzy. Assim, eles devem ser gerados através de uma série de experimentos preliminares para acumular a experiência do agente do carro sobre o jogo. Consideramos dois métodos para gerar padrões de treinamento. Enquanto ambos os métodos geram padrões de treinamento a partir de uma série de experimentos preliminares, um método gera um padrão de treinamento a partir de uma posição pré-especificada dos agentes do carro e pontos de referência. Por outro lado, o outro método gera padrões de treinamento através de uma situação prática do jogo de corrida onde os waypoints são gerados aleatoriamente. Consideramos duas representações do vetor de entrada para sistemas baseados emregras fuzzy. Uma é a informação egocêntrica onde o oponente e os waypoints são representados por uma informação relativa ao agente do carro. A outra representação é a informação de terceira pessoa onde todos os objetos, incluindo agentes de carro e waypoints, são descritos no sistema de coordenadas absolutas. O desempenho das quatro combinações da representação de entrada e o método de geração de padrões de treinamento são examinados. Também discutimos o efeito de cada método no desempenho de sistemas baseados em regras fuzzy. Uma é a informação egocêntrica onde o oponente e os waypoints são representados por uma informação relativa ao agente do carro. A outra representação é a informação de terceira pessoa onde todos os objetos, incluindo agentes de carro e waypoints, são descritos no sistema de coordenadas absolutas. O desempenho das quatro combinações da representação de entrada e o método de geração de padrões de treinamento são examinados. Também discutimos o efeito de cada método no desempenho de sistemas baseados em regras fuzzy. Uma é a informação egocêntrica onde o oponente e os waypoints são representados por uma informação relativa ao agente do carro. A outra representação é a informação de terceira pessoa onde todos os objetos, incluindo agentes de carro e waypoints, são descritos no sistema de coordenadas absolutas. O desempenho das quatro combinações da representação de entrada e o método de geração de padrões de treinamento são examinados. Também discutimos o efeito de cada método no desempenho de sistemas baseados em regras fuzzy. O desempenho das quatro combinações da representação de entrada e o método de geração de padrões de treinamento são examinados. Também discutimos o efeito de cada método no desempenho de sistemas baseados em regras fuzzy. O desempenho das quatro combinações da representação de entrada e o método de geração de padrões de treinamento são examinados. Também discutimos o efeito de cada método no desempenho de sistemas baseados em regras fuzzy. Figura 1. Instantâneo do jogo de corrida de carros. O simulador mantém todas as informações sobre agentes de carros e waypoints. A simulação no jogo de corrida de carros é realizada em um estado contínuo em tempo discreto. Ou seja, a decisão dos agentes do carro é realizada de forma síncrona, e o próximo estado do agente do carro é calculado com base na física real com ruído. A simulação da corrida de carros é descrita da seguinte forma: Passo 1: O jogo é inicializado. Os agentes de automóveis são colocados em posições pré-especificadas. A velocidade dos agentes do carro também é definida como zero. Três waypoints são gerados aleatoriamente. Passo 2: Cada agente do carro determina a direção e o aceleração com base nas informações sensoriais, como o estado dos agentes do carro e a posição dos waypoints. A decisão determinada pelo agente do carro é enviada ao simulador. Passo 3: O simulador calcula o próximo estado do carro agentes. Se qualquer um dos agentes do carro atingir o primeiro waypoint, a pontuação desse agente do carro é incrementada em um. Se ambos os agentes de carro atingirem o primeiro waypoint ao mesmo tempo, a pontuação de ambos será incrementada. Se o primeiro waypoint for obtido por um ou ambos os agentes do carro, o segundo e o terceiro waypoints se tornarão o primeiro e o segundo waypoints, respectivamente. Um novo waypoint também é gerado em uma posição determinada aleatoriamente. Etapa 4: se o número de iterações atingir um valor pré-especificado número, encerre a simulação. Caso contrário, vá para a Etapa 2. II. CRARACEGAME A. Simulação de corrida de carros Neste artigo, construímos sistemas fuzzy baseados em regras para tomada de decisão de alto nível em um jogo de corrida de carros desenvolvido por Togelius [29]. Esta seção explica o jogo de corrida de carros que usamos como domínio do problema. O instantâneo do jogo de corrida de carros é mostrado na Fig. 1. No jogo de corrida de carros, há um ou dois agentes de carros em um campo bidimensional. Há também três waypoints indexados no campo. Os índices atribuídos aos waypoints representam a ordem para a qual os agentes de carros devem mirar. A tarefa dos agentes de carros no jogo de corrida de carros é alcançar o waypoint na ordem crescente dos números atribuídos aos waypoints. Quando um ou ambos os agentes do carro atingem o primeiro waypoint, o primeiro waypoint desaparece. Neste caso, o segundo e o terceiro waypoints se tornam o primeiro e o segundo waypoint, respectivamente. Um car agent é modelado como um sistema não holonômico que possui duas variáveis de entrada enquanto o estado do car agent é representado em um espaço de configuração de cinco dimensões. Um controlador de carro é responsável pela direção e aceleração para navegar no agente do carro. Com base no vetor de entrada e no estado atual do agente do carro, o simulador do jogo de corrida de carros calcula o próximo estado. O vetor de estado do agente carro no espaço de configuração consiste na posição física do agente carro em um campo bidimensional, direção e sua velocidade. Assume-se que a posição física e a velocidade do agente carro são representadas por um vetor euclidiano bidimensional. Agora vamos considerar uma situação do jogo de corrida de carros na Fig. 2. Na Fig. 2, três waypoints são mostrados com a ordem de partida. Na situação da Fig. 2, é difícil para o agente de carro 1 alcançar o primeiro waypoint antes do agente de carro 2. Assim, o agente de carro 1 deve desistir do primeiro waypoint e ir para o segundo waypoint para que o agente de carro 1 possa certamente alcançar o segundo ponto de passagem. Se o agente de carro 2 atingir o primeiro ponto de passagem antes do agente de carro 1 enquanto o agente de carro 1 atingir o segundo ponto de passagem antes do agente de carro 2, não haverá diferença na pontuação entre os dois agentes de carro. Se o agente de carro 1 atingir com sucesso o terceiro waypoint, a pontuação do agente de carro 1 é um ponto a mais 2300 2008 IEEE International Conference on Fuzzy Systems (FUZZ 2008) Uso licenciado autorizado limitado a: UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL. Baixado em 30 de janeiro de 2022 às 13:44:30 UTC do IEEE Xplore. Restrições aplicadas. do que o Agente de carro 2 (2 para 1). Por outro lado, se o agente de carro 1 ainda tentar o primeiro waypoint e não conseguir pontuar, é possível, no pior caso, que o agente de carro 1 possa eventualmente não conseguir pontuar, mas, por outro lado, o agente de carro 2 marque três. Tomemos outra situação em que o agente de carro 1 já tenha pontuado mais do que o agente de carro 2. Nesse caso, o agente de carro 1 não precisa correr para o primeiro waypoint e deve ir com segurança para o segundo waypoint porque existe o risco de perder todos os três se o agente de carro 1 visa o primeiro waypoint difícil, o que reduz a chance de alcançar o segundo waypoint antes do agente de carro 2. Assim, a seleção apropriada de waypoint é necessária para resultados bem-sucedidos no jogo de corrida de carros. As informações que devem ser levadas em consideração para a seleção de waypoints são as pontuações atuais dos agentes de carros, a posição dos waypoints e a posição e velocidade dos agentes de carros. Neste artigo construímos sistemas baseados em regras fuzzy que realizam a seleção de waypoints com base em tais informações. Fig. 3. Visão geral de um jogo de corrida de carros. Fig. 4. Estrutura hierárquica de tomada de decisão em um controlador de carro. Figura 2. Uma situação de exemplo do jogo de corrida de carros. Posição do agente do carro, Velocidade do agente do carro, Direção do agente do carro, Posição do agente do carro oponente, Velocidade do agente do carro oponente, Direção do agente do carro oponente, Posição do primeiro waypoint, Posição do segundo waypoint , Posição do terceiro waypoint. B. Controlador de carro O controlador de um agente de carro determinao vetor de entrada (ou seja, a direção e a aceleração) para o agente de carro a partir do estado do carro. Ou seja, o papel do controlador é mapear do espaço sensorial para o espaço de controle. O simulador calcula o próximo estado do agente do carro, bem como o outro agente do carro e os waypoints, conforme descrito na Subseção II-A. Essa estrutura é mostrada na Fig. 3. A construção do controlador do carro na Fig. 3 é o foco deste artigo. Observe que algumas partes das informações acima são representadas como um vetor bidimensional. Por exemplo, a coordenada x e a coordenada y são incluídas nas informações sobre a posição do agente do carro. Assim, o número máximo de variáveis que podem ser usadas pelos controladores do carro é 16 ou 11, dependendo da existência do agente do carro oponente. A ação dos agentes do carro consiste em determinar a direção e a aceleração. A direção especifica a direção que os agentes do carro devem seguir enquanto a velocidade é controlada pela aceleração. No jogo de corrida de carros que consideramos neste artigo, existem três opções para direção e aceleração. Assim, no total, nove ações candidatas estão disponíveis. A seleção de ação é realizada para selecionar uma das nove ações a cada passo de tempo. As oito setas na parte inferior da Fig. 4 mostram Uma forma simples de tomada de decisão no controlador do carro é uma estrutura hierárquica, conforme mostrado na Fig. 4. Na Fig. 4, são mostrados dois níveis de tomada de decisão. Uma é uma tomada de decisão de alto nível, onde o waypoint para mirar é determinado. Por outro lado, a tomada de decisão de baixo nível diz respeito à ação final (ou seja, a direção e aceleração do agente do carro) com base na tomada de decisão de alto nível. No jogo de corrida de carros deste artigo, as seguintes informações estão disponíveis para o controlador do carro: 2008 IEEE International Conference on Fuzzy Systems (FUZZ 2008) 2301 Uso licenciado autorizado limitado a: UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL. Baixado em 30 de janeiro de 2022 às 13:44:30 UTC do IEEE Xplore. Restrições aplicadas. as ações candidatas aos agentes do carro. A nona ação candidata é não acelerar sem especificação de direção. Ou seja, a próxima posição do agente do carro com a nona ação é determinada apenas pelo seu vetor de inércia atual. III. FUZZYRULE-BASEDSSISTEMAS PARAHIGH-EUEVEL DECISÃOMAKING A. Visão Geral de Sistemas Baseados em Regras Fuzzy Neste artigo, sistemas baseados em regras fuzzy são usados para a tomada de decisão de alto nível do controlador do carro no jogo de corrida de carros. Vamos supor que uma informação de entrada para o sistema baseado em regras fuzzy é representada como umn-vetor dimensional (ou seja, o valor denpode ser 16 ou 11 dependendo da existência do carro adversário). A saída do sistema baseado em regras fuzzy é a estratégia selecionada que especifica o waypoint alvo para mirar. Neste artigo, apenas o primeiro e o segundo waypoints são considerados como waypoints de destino candidatos porque o terceiro waypoint provavelmente não será selecionado como o waypoint de destino. Um sistema baseado em regras fuzzy consiste em um conjunto de regras fuzzy if-then da seguinte forma: Fig. 5. Um exemplo de partição fuzzy (Devision of car racing field). Em seguida, especificamos a estratégia consequente e o grau de certeza de cada regra fuzzy if-then dos padrões de treinamento dados como em [30]. No procedimento a seguir, assume-se que um conjunto de padrões de treinamento é dado para a construção de sistemas baseados em regras fuzzy. RegraRj:Sex1éUMAj1e . . . exnéUMAJN então EstratégiaCjcomFCj, j =1, 2, . . . ,N, (1) [Procedimento de Geração da Regra Fuzzy Se-Então] OndeRj,j =1, 2, . . . ,N,é o rótulo doj-a regra fuzzy ifthen, UMAji,eu =1, 2, . . . ,né o conjunto fuzzy antecedente para eu-º atributo,Cjé a estratégia consequente,FCjé o grau de certeza, eNé o número total de regras fuzzy se-então geradas. Consideramos três estratégias como a estratégia conseqüente das regras fuzzy if-then em (1). A Tabela I mostra as três estratégias consequentes. Na Estratégia 1, os controladores do carro navegam o agente do carro até o primeiro waypoint até que um dos agentes do carro o alcance. A estratégia 2 é uma segunda estratégia em que o agente do carro efetivamente desiste do Waypoint 1 enquanto tenta alcançar o Waypoint 2. A estratégia 3 é a estratégia mais fraca entre as três. Embora as Estratégias 2 e 3 visem o Waypoint 2, a diferença entre elas está no prazo efetivo. A Estratégia 3 reconsidere a estratégia imediatamente após o agente do carro oponente atingir o Waypoint 1, enquanto o agente do carro consistentemente vai para o Waypoint 2 na Estratégia 2. Etapa 1: Calcular βh(Rj)para Estratégiah (h =1, 2e 3) como ∑ βh(Rj) = μj1(xp1)· . . . · μJN(xpn), (2) xp∈Classeh onde βh(Rj)é a soma da compatibilidade dos padrões de treinamento com o rótulo de Estratégiahcom regra se-então difusaRj,e μji(·)é a função de pertinência do conjunto fuzzyUMAji. Passo 2: Encontre a Estratégia ĥ que tem o valor máximo de βh(Rj): βĥ(Rj) = max{β1(Rj), β2(Rj), β3(Rj)}, (3) Se o valor de βh(Rj)é o mesmo para estratégia múltipla, a estratégia consequenteCjda regraRj não pode ser determinado exclusivamente. Neste caso, especificamosCjComoCj= φ. Passo 3: Se uma única estratégia tomar o valor máximo (ou seja, se Cj-= φ),deixarCjseja Estratégia ĥ e especifique o grau de certezaFCjComo TABELA I CESTRATÉGIAS SEQUENTES USADAS EM FUZZY IF-ENTÃO REGRAS. Estratégia Ponto de referência alvo Prazo de vigência βĥ(Rj) − β̄1 2 3 1 2 2 1 2 1 FCj= , (4) ∑3 βh(Rj) h=1 Vamos supor quempadrões de treinamentoxp (xp1, xp2, . . . , xpn),p =1, 2, . . . ,m,são dadas com sua classe-alvotp para a construção de um sistema baseado em regras fuzzy. Primeiro, a partição difusa do espaço de padrões é executada. No caso do domínio das corridas de carros neste artigo, dividimos cada atributo do vetor de entrada em cinco conjuntos fuzzy como mostrado na Fig. 5. Na Fig. 5, uma partição fuzzy para o caso do espaço de configuração bidimensional é mostrada. = Onde 1∑ 2 3 β = β (R)h j. (5) h=1 h-=Cj O número de regras fuzzy if-then depende do número de conjuntos fuzzy para cada atributo e do número de atributos de entrada. Por exemplo, se dividirmos cada atributo em cinco conjuntos fuzzy para uma classificação de padrão bidimensional 2302 2008 IEEE International Conference on Fuzzy Systems (FUZZ 2008) Uso licenciado autorizado limitado a: UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL. Baixado em 30 de janeiro de 2022 às 13:44:30 UTC do IEEE Xplore. Restrições aplicadas. problema, o número total de regras difusas se-então é52=25. Por outro lado, o número de regras difusas se-então é58= 390625para um problema de oito dimensões. O número de regras fuzzy if-then aumenta exponencialmente quando o número de atributos de entrada e/ou o número de conjuntos fuzzy aumentam. Para evitar a explosão de regras fuzzy if-then, limitamos o número de conjuntos fuzzy que são usados em uma regra fuzzy if-then a quatro. Para cada combinação de quatro atributos de entrada, cinco conjuntos fuzzy são usados. Os outros atributos de entrada são ignorados. Usando esse truque, podemos reduzir o número de regras fuzzy se-então geradas para8C4×54=43750. Para a representação em terceira pessoa, são usadas as seguintes informações: coordenada x do agente do carro, coordenada y do agente do carro, coordenada x do agente do carro oponente, coordenada y do agente do carro oponente, coordenada x do primeiro waypoint, coordenada y do primeiro waypoint, coordenada x do segundo waypoint , coordenada y do segundo waypoint, coordenada x do terceiro waypoint, coordenada y do terceiro waypoint, ângulo do agente do carro para o primeiro waypoint e ângulo do agente do carro oponente para o primeiro waypoint. B. Raciocínio Difuso Usando o procedimento de geração de regras descrito acima, geramos regras difusasse-então em (1). Depois tanto da estratégia conseqüenteCje o grau de certezaFCjsão determinados para todosNregras, um novo padrãoxé classificado pelo seguinte procedimento: D. Gerando Padrões de Treinamento Usar padrões de treinamento de boa qualidade é importante para a construção de sistemas baseados em regras fuzzy de bom desempenho, pois o sistema baseado em regras fuzzy se enquadra no aprendizado supervisionado. Como não há padrões de treinamento disponíveis de antemão, nós os geramos por meio de experimentos preliminares. Neste artigo, consideramos dois métodos para gerar padrões de treinamento. O primeiro método pré-especifica a posição inicial dos agentes de automóveis no campo das corridas de automóveis. Ou seja, os experimentos preliminares são realizados sob o controle (7) configurações no primeiro método. A velocidade dos agentes do carro [Procedimento de Raciocínio Fuzzy para Classificação] Etapa 1: Calcular αh(x)para Estratégiah, h =1, 2e 3, como αh(x) = max{μj(x)·FCj|Cj=Classeh}, Onde (6) μj(x) = µj1(x1)· . . . · μJN(xn). Etapa 2: encontrar a estratégiah′que tem o valor máximo de αh(x): e a posição dos waypoints são determinados aleatoriamente. Neste método, primeiro uma partição de grade é aplicada ao campo de corrida de carros para gerar subáreas. O centro do (8) subáreas são usadas como a posição pré-especificada dos agentes de automóveis αh′(x) = max{α1(x), α2(x), α3(x)}. Se várias estratégias tomarem o mesmo valor máximo de αh(x), então a determinação da estratégia dexé rejeitado. Caso contrário, atribuaxpara Estratégiah′. (ver Fig. 5). As informações sobre os agentes do carro e os waypoints são usadas como padrão de entrada. A partir da posição inicial, um jogo preliminar é realizado duas vezes. Na primeira tentativa, o agente do carro mira no primeiro waypoint. A segunda tentativa também começa exatamente com o mesmo status da primeira tentativa, mas com o segundo waypoint especificado como alvo. Se a primeira tentativa terminou com sucesso (ou seja, o agente do carro pode alcançar o primeiro waypoint antes do agente do carro oponente), a classe alvo do padrão de entrada é Estratégia 1. Ou seja, o primeiro waypoint é o alvo do agente do carro neste situação. Se a primeira tentativa não for bem-sucedida, mas o agente do carro puder alcançar o segundo waypoint antes do agente do carro oponente, a estratégia de destino do padrão de entrada é a Estratégia 2. Se a primeira e a segunda tentativa não forem bem-sucedidas, o alvo do padrão de entrada é especificado como Estratégia 3. Estratégia 3 significa que o agente do carro seleciona tentativamente a Estratégia 2 até que o primeiro waypoint seja obtido por qualquer um dos agentes do carro. Este processo é repetido até que todas as combinações das posições pré-especificadas sejam examinadas. No segundo método, um padrão de treinamento é gerado durante o curso de situações de jogo preliminares não controladas. Primeiro, a posição dos agentes do carro e dos waypoints é especificada aleatoriamente. Em seguida, uma rodada preliminar do jogo é realizada da mesma maneira que a rodada real do jogo. Assim, espera-se que padrões de treinamento sejam gerados através de situações práticas do automobilismo. A classe alvo de cada padrão de treinamento neste método é determinada de acordo com os resultados das rodadas preliminares do jogo. C. Representando vetores de entrada Consideramos duas representações para vetores de entrada que são usados em sistemas baseados em regras fuzzy. Em experimentos computacionais examinamos se a representação da informação do sensor tem efeito sobre o desempenho de sistemas baseados em regras fuzzy. Uma representação é a representação egocêntrica e a outra é a representação em terceira pessoa. Na representação egocêntrica, o agente do carro oponente e os waypoints são descritos no sistema de coordenadas relativo ao agente do carro. Por outro lado, os agentes do carro e os waypoints são descritos no sistema de coordenadas absolutas na representação em terceira pessoa. Na representação egocêntrica, são usadas as seguintes informações: Distância para o primeiro waypoint, ângulo para o primeiro waypoint, distância para o segundo waypoint, ângulo para o segundo waypoint, distância para o terceiro waypoint, ângulo para o terceiro waypoint, distância para o agente do carro oponente, ângulo para o agente do carro oponente, e ângulo do agente do carro adversário para o primeiro waypoint. 2008 IEEE International Conference on Fuzzy Systems (FUZZ 2008) 2303 Uso licenciado autorizado limitado a: UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL. Baixado em 30 de janeiro de 2022 às 13:44:30 UTC do IEEE Xplore. Restrições aplicadas. 4. COMPUTACIONALEEXPERIMENTOS uma série de experimentos preliminares controlados. Uma vez que os outros três controladores têm um desempenho melhor do que o agente de carro oponente fixo em metade das 100 tentativas, examinamos estatisticamente a diferença entre os controladores baseados em regras difusas (ou seja, Controlador A – D) e o controlador oponente fixo pelo Mann-Whitney U teste. Os resultados do teste estatístico mostram que apenas o Controlador A é estatisticamente melhor que o controlador oponente fixo com o nível de significância de 5%. A. Configurações Experimentais Examinamos o desempenho de sistemas baseados em regras fuzzy para o jogo de corrida de carros nos experimentos computacionais deste artigo. Consideramos dois métodos de geração de dados e dois tipos de informações do sensor. Assim, no total, existem quatro controladores de alto nível do agente carro nestes experimentos computacionais. Resumimos os quatro controladores de alto nível na Tabela II. TABELA III ERESULTADOS EXPERIMENTAIS.TABELA II HIGH-CONTROLADORES DE NÍVEL NOS EXPERIMENTOS COMPUTACIONAIS. Controlador UMA B C D Ganhar Perdido Desenhar Valor P 60 27 13 8,81×10−5 52 34 14 0,14 52 37 11 0,18 48 44 8 0,56 Controlador Geração de padrões Sensor UMA B C D Controlada Descontrolado Controlada Descontrolado Terceira pessoa Terceira pessoa Egocêntrico Egocêntrico V.DISCUSSÃO Para o controle de baixo nível do agente carro (ou seja, seleção de ações entre as nove), usamos uma heurística simples. Na seleção de ação heurística, a direção é determinada para a direção do waypoint alvo. Por exemplo, se o waypoint alvo estiver à esquerda do agente do carro, a direção será determinada como esquerda. A aceleração é especificada de modo que a magnitude da velocidade seja um valor de referência pré-especificado. Por exemplo, se a magnitude da velocidade for menor que o valor de referência, uma aceleração positiva é aplicada ao agente do carro. O valor de referência é especificado manualmente como 7.0. O agente de carro oponente tem exatamente o mesmo controlador de baixo nível que o agente de carro de aprendizado, de modo que o efeito da tomada de decisão de alto nível (ou seja, seleção de waypoint) no desempenho dos agentes de carro é claro. A tomada de decisão heurística de alto nível do agente do carro oponente sempre visa o primeiro waypoint em qualquer situação do agente do carro oponente. Cada agente de carro de aprendizagem jogou o jogo de corrida de carro por 100 vezes contra o agente de carro oponente. Nos experimentos computacionais, primeiro uma rodada preliminar de jogos é realizada com as configurações controladas ou não controladas de experimentos preliminares para obter padrões de treinamento. Em seguida, um sistema baseado em regras fuzzy é construído de acordo com o procedimento descrito na Seção III. Cada atributo no sistema baseado em regras fuzzy é dividido em cinco subconjuntos fuzzy (veja a Fig. 5). Em seguida, o sistema baseado em regras fuzzy construído é usado como a tomada de decisão de alto nível do agente carro aprendiz na competição com o agente carro oponente. Observe que o agente do carro oponente na competição é o mesmo usado no procedimento de geração de padrões.Na seção anterior, examinamos o desempenho dos quatro sistemas baseados em regras fuzzy que são aplicados a controladores de carros. Também mostramos que o Controlador A na Tabela II é o melhor entre os quatro e estatisticamente melhor do que o controlador de carro oponente fixo com uma heurística simples. Como examinamos as quatro configurações do controlador (ou seja, dois tipos de informações sensoriais e geração de padrões), examinamos o efeito de cada uma dessas configurações do controlador separadamente nesta seção e discutimos a razão pela qual o Controlador A leva ao melhor desempenho na Seção IV. A. Efeito da Geração de Padrão Nesta subseção, examinamos o efeito de um método de geração de padrões no desempenho de controladores de carros. Examinamos dois métodos de geração de padrões na Seção IV. Um gera padrões de treinamento através de configurações controladas de experimentos onde uma situação inicial é especificada a partir da partição da grade do campo de corrida de carros. Por outro lado, o segundo método utiliza situações de jogo prático onde um padrão de treinamento é gerado a partir da experiência dos resultados da tomada de decisão. A principal diferença entre os dois métodos é a frequência da Estratégia 3 (ou seja, ir para o segundo waypoint até que o primeiro waypoint seja tomado pelo agente do carro oponente). Mostramos a frequência de ações especificadas pelos dois sistemas baseados em regras fuzzy. Um sistema baseado em regras fuzzy é construído a partir de padrões de treinamento que são gerados a partir de experimentos preliminares controlados. Por outro lado, padrões de treinamento para o segundo sistema baseado em regras fuzzy são gerados através de uma série de experimentos não controlados. O agente de carro com cada um dos dois sistemas baseados em regras fuzzy competiu contra um agente de carro fixo com uma heurística simples. A frequência de cada estratégia nos experimentos computacionais é apresentada na Tabela IV. A partir da Tabela IV, podemos ver que a Estratégia 3 foi selecionada em cerca de 20% da seleção de ações quando os padrões de treinamento são gerados através de uma série de experimentos não controlados. Como a Estratégia 3 não leva diretamente a uma pontuação (o agente do carro B. Resultados Experimentais Mostramos os resultados experimentais na Tabela III. A Tabela III mostra os resultados da competição contra um controlador oponente fixo com uma simples heurística de tomada de decisão de alto nível. A partir dos resultados experimentais, podemos ver que o melhor desempenho é obtido do Controlador A. Ou seja, sistemas baseados em regras fuzzy que usam informações sensoriais egocêntricas têm melhor desempenho quando os padrões de treinamento são gerados a partir de 2304 2008 IEEE International Conference on Fuzzy Systems (FUZZ 2008) Uso licenciado autorizado limitado a: UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL. Baixado em 30 de janeiro de 2022 às 13:44:30 UTC do IEEE Xplore. Restrições aplicadas. TABELA IV FREQUENCIA DAS AÇÕES SELECIONADAS. Método Rede Pré-jogo Estratégia 1 Estratégia 2 Estratégia 3 837 824 0 530 859 328 desiste do primeiro waypoint e apenas se aproxima do segundo waypoint), a alta frequência da Ação 3 deteriora o desempenho dos agentes do carro. Por outro lado, a Ação 3 não foi selecionada quando os padrões de treinamento são gerados a partir de experimentos preliminares controlados. Ou seja, o agente de carros sempre mira em um determinado ponto de passagem durante o jogo de corrida de carros. Fig. 6. Ações selecionadas (informações sensoriais de terceira pessoa). TABELA V B. Efeito da Informação Sensorial OAGENTES E ESTRATÉGIAS DE VEÍCULOS PPONENTES. Dois tipos de informação sensorial foram usados na Seção IV. Uma informação sensorial é a informação egocêntrica onde os objetos no campo das corridas de carros são representados em relação ao próprio agente do carro. A outra informação sensorial contém a informação de terceira pessoa onde os objetos no campo de corrida de carros são representados usando as coordenadas absolutas. Examinamos o efeito da informação sensorial no desempenho do agente de corrida de carros nesta subseção. A principal diferença entre os dois tipos de informação sensorial é se a posição do próprio agente do carro está incluída ou não. Ou seja, a informação está incluída na informação sensorial de terceira pessoa enquanto não está incluída na informação egocêntrica. Na Fig. 6, mostramos as ações selecionadas pelos sistemas baseados em regras fuzzy com a informação de terceira pessoa quando apenas a posição do agente do carro é dada. As outras informações, como a posição dos waypoints e a posição e velocidade do agente do carro oponente, são removidas. Podemos ver na Fig. 6 que várias ações são selecionadas quando a informação de terceira pessoa é usada. Por outro lado, a seleção de ações não pode ser realizada quando informações egocêntricas são utilizadas em sistemas baseados em regras fuzzy, pois a tomada de decisão não é definida nesta situação. A conclusão pode ser tirada desta análise que a informação de terceira pessoa ajuda a realizar a tomada de decisão adequada e fina em comparação com a informação egocêntrica. Agente de carro Estratégia OpA OpB Sempre vá para o Waypoint 1 Sempre vá para o Waypoint 2 os padrões de treinamento são examinados na fase de avaliação contra os dois agentes do carro adversário. A representação em terceira pessoa para o vetor de entrada foi usada no controlador do carro e os padrões de treinamento são gerados por meio de experimentos preliminares controlados. Mostramos os resultados experimentais na Tabela VI. Na Tabela VI, os resultados das partidas contra os dois agentes de carros adversários (ou seja, OppA e OppB) são mostrados com seus valores estatísticos. Assim como na Subseção IV-B, o teste U de Mann-Whitney com nível de significância de 5% foi utilizado para avaliar o desempenho dos sistemas baseados em regras fuzzy. TABELA VI ERESULTADOS EXPERIMENTAIS COM DIFERENTES AGENTES DE CARRO OPONENTES. Treinamento OpA OpA OpB OpB Avaliação OpA OpB OpA OpB Ganhar Perdido Desenhar Valor P 60 27 13 8,81×10−5 38 6 56 1,93×10−4 46 46 8 0,94 85 3 12 9,88×10−16 A partir dos resultados experimentais, podemos ver que os sistemas baseados em regras fuzzy funcionam com sucesso quando o mesmo agente de carro oponente da fase de treinamento é usado na fase de avaliação (ver Colunas 2 e 5). Quando OppA é usado na fase de treinamento e OppB é usado na fase de avaliação (Coluna 3), um grande número de jogos resulta em empate (56 vezes em 100). Isso porque se a estratégia determinada pelos sistemas baseados em regras fuzzy for a Estratégia 2 (ou seja, ir para o Waypoint 2), nenhum dos dois carros do agente não irá para o Waypoint 1, o que eventualmente causa um deadlock. Outra constatação é que quando o OppB é usado nas fases de treinamento e avaliação, os sistemas baseados em regras fuzzy têm melhor desempenho. Isso ocorre porque os sistemas baseados em regras fuzzy aprendem com sucesso a executar a Estratégia A em qualquer situação em que o agente oponente é OppB. Como OppB sempre vai para C. Efeito do Agente Oponente Nos métodos propostos, os padrões de chuva são gerados através de experimentos preliminares contra um oponente fixo. Assim, os sistemas baseados em regras fuzzy gerados são eficazes contra o oponente fixo. Nesta subseção, examinamos o desempenho dos sistemas baseados em regras fuzzy contra oponentes desconhecidos. Para isso, dois agentes de carro são usados nos experimentos desta subseção. A Tabela V mostra os dois agentes de carros adversários. Nos experimentos, primeiro geramos padrões de treinamento por meio de um dos dois agentes de carro. Em seguida, o desempenho de sistemas baseados em regras fuzzy construídos a partir das 2008 IEEE International Conference on Fuzzy Systems (FUZZ 2008) 2305 Uso licenciado autorizado limitadoa: UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL. Baixado em 30 de janeiro de 2022 às 13:44:30 UTC do IEEE Xplore. Restrições aplicadas. Waypoint 2, a melhor estratégia neste caso é sempre ir para o Waypoint 1. Nos experimentos, apenas a Estratégia 1 é selecionada na fase de avaliação quando OppB é utilizado na fase de treinamento. [7] T. Nakashima, M. Udo e H. Ishibuchi. Um aprendizado por reforço difuso para um problema de interceptação de bola. páginas em CD–ROM (8 páginas), Pádua, Itália, 2003. [8] T. Nakashima, M. Udo e H. Ishibuchi. Implementação de q-learning fuzzy para um agente de futebol. páginas 533–536, St. Louis, EUA, 2003. [9] T. Nakashima, M. Takatani, M. Udo e H. Ishibuchi. Uma abordagem evolutiva para o aprendizado de estratégia no futebol robocup. páginas 2023–2028, Den Hague, Holanda, 2004. [10] T. Nakashima, M. Takatani, M. Udo, H. Ishibuchi e M. Nii. Avaliação de desempenho de um método evolutivo para estratégias de futebol de robocup. páginas em CR–ROM (8 páginas), Osaka, Japão, 2005. [11] T. Nakashima, M. Takatani, H. Ishibuchi e M. Nii. O efeito do uso do histórico de partidas na evolução das estratégias do time de futebol robocup. páginas 60–66, Reno/Lake Tahoe, Nevada, EUA, 2006. [12] R. Leigh, SJ Louis e C. Miles. Usando um algoritmo genético para explorar algoritmos de busca de caminhos do tipo a*. DentroInteligência Computacional e Jogos, 2007. CIG 2007. Simpósio IEEE sobre,páginas 72–79, 2007. [13] C. Miles, J. Quiroz, R. Leigh e SJ Louis. Jogadores de jogos de estratégia baseados em árvore de mapas de influência em co-evolução. DentroInteligência Computacional e Jogos, 2007. CIG 2007. Simpósio IEEE sobre,páginas 88-95, 2007. [14] Y. Wang e S. Gelly. Modificações de simulações uct e sequenciais para monte-carlo go. DentroInteligência Computacional e Jogos, 2007. CIG 2007. Simpósio IEEE sobre,páginas 175–182, 2007. [15] HA Mayer. Representações de tabuleiro para jogadores neurais que aprendem por diferença temporal. DentroInteligência Computacional e Jogos, 2007. CIG 2007. Simpósio IEEE sobre,páginas 183-188, 2007. [16] N. Araki, K. Yoshida, Y. Tsuruoka e J. Tsujii. Mova a previsão em andamento com o método de entropia máxima. DentroInteligência Computacional e Jogos, 2007. CIG 2007. Simpósio IEEE sobre,páginas 189-195, 2007. [17] K.-J. Kim, H. Choi e S.‑B. Cho. Híbrido de aprendizado de evolução e reforço para jogadores de othello. DentroInteligência Computacional e Jogos, 2007. CIG 2007. Simpósio IEEE sobre,páginas 203-209, 2007. [18] TP Runarsson e EO Jonsson. Efeito da profundidade de busca antecipada na aprendizagem de funções de avaliação de posição para otelo usando exploração -greedy. DentroInteligência Computacional e Jogos, 2007. CIG 2007. Simpósio IEEE sobre,páginas 210-215, 2007. [19] LL DeLooze e J. Downey. Lances de ponte com informações imperfeitas. DentroInteligência Computacional e Jogos, 2007. CIG 2007. Simpósio IEEE sobre,páginas 368–373, 2007. [20] DS McFarlin e PM Todd. Evoluindo um adversário melhor: Um estudo de caso em um castelo alemão. DentroVida Artificial, 2007. ALIFE '07. Simpósio IEEE sobre, páginas 229–235, 2007. [21] W.-Y. Chen e S. Payandeh. Simulador de hóquei de micro robô - design de mecanismo de jogo. DentroInteligência Computacional e Jogos, 2007. CIG 2007. Simpósio IEEE sobre,páginas 9-16, 2007. [22] A. Agapitos, J. Togelius e SM Lucas. Controladores em evolução para corridas de carros simuladas usando programação genética orientada a objetos. Dentro a 9ª Conferência Anual de Computação Genética e Evolutiva, páginas 1543–1550, Londres, Inglaterra, 2007. ACM. [23] J. Togelius, SM Lucas e RD Nardi.Inteligência Computacional em Jogos de Corrida,volume 71/2007 deEstudos em Inteligência Computacional, páginas 39-69. Springer, Berlim/Heidelberg, junho de 2007. [24] J. Togelius. Evolução de um neurocontrolador de arquitetura de subsunção. J. Intel. Sistema Fuzzy,15:15–20, 2004. [25] J. Togelius e SM Lucas. Evoluindo habilidades de corrida de carros robustas e especializadas. DentroComputação Evolucionária, 2006. CEC 2006. Congresso IEEE sobre,páginas 1187-1194, 2006. [26] H. Marques, J. Togelius, M. Kogutowska, O. Holland e SM Lucas. Sensorless, mas não sem sentido: Previsão em corridas de carros evolucionárias. Dentro Vida Artificial, 2007. ALIFE '07. Simpósio IEEE sobre,páginas 370–377, 2007. [27] J. Togelius, RD Nardi e SM Lucas. Tornando as corridas divertidas através da modelagem do jogador e da evolução da pista. DentroWorkshop da SAB sobre abordagens adaptativas para otimizar a satisfação do jogador.,2006. [28] J. Togelius, R. De Nardi e SM Lucas. criação de conteúdo personalizado para jogos de corrida. Inteligência e Jogos, 2007. CIG 2007. Simpósio IEEE sobre,páginas 252– 259, 2007. [29] Julian Togelius.Otimização, Imitação e Inovação: Inteligência Computacional e Jogos.Tese de doutorado, Departamento de Ciência da Computação, Universidade de Essex, setembro de 2007. [30] H. Ishibuchi, K. Nozaki e H. Tanaka. Representação distribuída de regras fuzzy e sua aplicação à classificação de padrões.Conjuntos e Sistemas Fuzzy,52:21-32, 1992. VI. CINCLUSÃO Neste artigo, propusemos um sistema fuzzy baseado em regras para tomada de decisão de alto nível para o jogo de corrida de carros. A tomada de decisão de baixo nível de agentes automotivos é fixada nos experimentos computacionais deste artigo à medida que o desempenho de sistemas baseados em regras fuzzy para tomada de decisão de alto nível é examinado. Consideramos quatro sistemas baseados em regras fuzzy nos experimentos computacionais. A diferença entre os quatro sistemas baseados em regras fuzzy é o tipo de informação sensorial e a forma como os padrões de treinamento são gerados. Ou seja, usamos informações sensoriais egocêntricas e de terceira pessoa para a entrada de sistemas baseados em regras difusas. Também geramos padrões de treinamento para a construção de sistemas baseados em regras fuzzy, tanto para experimentos preliminares controlados quanto para uma série de experimentos não controlados. Os resultados de experimentos computacionais mostraram que informações de terceira pessoa devem ser usadas para tomada de decisão de alto nível e que padrões de treinamento devem ser gerados a partir de experimentos preliminares controlados onde uma situação inicial é gerada usando a partição de grade do campo de corrida. Após os experimentos computacionais, Trabalhos futuros incluem o ajuste adaptativo de sistemas baseados em regras fuzzy durante o decorrer dos jogos. A implementação atual dos sistemas baseados em regras fuzzy considerava apenas um agente carro oponente fixo. Assim, não é robusto contra os diferentes tipos de agentes de corrida de carros. Outra direção de trabalho futuro é a evolução dos controladores. Os sistemas baseados em regras fuzzy que são construídos a partir de um determinado conjunto de padrões de treinamento neste artigo podem ser usados como indivíduos iniciais nos algoritmos evolutivos. REFERÊNCIAS [1] M. Recém-nascido e M. Recém-nascido.Kasparov Versus Deep Blue: O xadrez de computador atinge a maioridade.Springer-Verlag New York Inc (C), dezembro de 1996. [2] H.-Y. Quek e C.‑K. Puxa. Adaptação de estratégias iteradas do dilema do prisioneiro por evolução e aprendizado. DentroInteligência Computacional e Jogos, 2007. CIG 2007. Simpósio IEEE sobre,páginas 40-47, 2007. [3] DA Ashlock. Cooperação no dilema do prisioneiro em gráficos. Dentro Inteligência Computacional e Jogos, 2007. CIG 2007. Simpósio IEEE sobre,páginas 48–55, 2007. [4] A. Ghoneim, H. Abbass e M. Barlow. Compartilhamento de informações no jogo iterado do dilema do prisioneiro. DentroInteligência Computacional e Jogos, 2007. CIG 2007. Simpósio IEEE sobre,páginas 56–62, 2007. [5] M. Wittkamp, L. Barone e L. While. Uma comparação de programação genética e aprendizado de tabela de consulta para o jogo de spoof. DentroInteligência Computacional e Jogos, 2007. CIG 2007. SimpósioIEEE sobre,páginas 63-71, 2007. [6] M. Riedmiller e T. Gabel. Sobre experiências em um domínio de jogo complexo e competitivo: o aprendizado por reforço encontra o robocup. DentroInteligência Computacional e Jogos, 2007. CIG 2007. Simpósio IEEE sobre,páginas 17–23, 2007. Para automático DentroComputacional 2306 2008 IEEE International Conference on Fuzzy Systems (FUZZ 2008) Uso licenciado autorizado limitado a: UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL. Baixado em 30 de janeiro de 2022 às 13:44:30 UTC do IEEE Xplore. Restrições aplicadas. << /ASCII85EncodePages false /AllowTransparency false /AutoPositionEPSFiles false /AutoRotatePages /None /Binding /Left /CalGrayProfile (None) /CalRGBProfile (None) /CalCMYKProfile (None) /sRGBProfile (sRGB IEC61966-2.1) /CannotEmbedFontPolicy /Error /CompatibilityLevel 1.6 /CompressObjects /Off /CompressPages true /ConvertImagesToIndexed true /PassThroughJPEGImages true /CreateJDFFile false /CreateJobTicket false /DefaultRenderingIntent /Default /DetectBlends true /DetectCurves 0.1000 /ColorConversionStrategy /LeaveColorUnchanged /DoThumbnails true /EmbedAllFonts true /EmbedOpenType false /ParseICCProfilesInComments true /EmbedJobOptions true /DSCReportingLevel 0 /EmitDSCWarnings false /EndPage -1 /ImageMemory 1048576 /LockDistillerParams true /MaxSubsetPct 100 /Optimize true /OPM 0 /ParseDSCComments false /ParseDSCCommentsForDocInfo false /PreserveCopyPage true /PreserveDICMYKValues true /PreserveEPSInfo false /PreserveFlatness true /PreserveHalftoneInfo true /PreserveOPIComments false /PreserveOverprintSettings true /StartPage 1 /SubsetFonts true /TransferFunctionInfo /Remove /UCRandBGInfo /Preserve /UsePrologue false /ColorSettingsFile () /AlwaysEmbed [ true ] /NeverEmbed [ true ] /AntiAliasColorImages false /CropColorImages true /ColorImageMinResolution 36 /ColorImageMinResolutionPolicy /Warning /DownsampleColorImages true /ColorImageDownsampleType /Bicubic /ColorImageResolution 300 /ColorImageDepth -1 /ColorImageMinDownsampleDepth 1 /ColorImageDownsampleThreshold 2.00333 /EncodeColorImages true /ColorImageFilter /DCTEncode /AutoFilterColorImages false /ColorImageAutoFilterStrategy /JPEG /ColorACSImageDict << /QFactor 0.76 /HSamples [2 1 1 2] /VSamples [2 1 1 2] >> /ColorImageDict << /QFactor 0.76 /HSamples [2 1 1 2] /VSamples [2 1 1 2] >> /JPEG2000ColorACSImageDict << /TileWidth 256 /TileHeight 256 /Quality 15 >> /JPEG2000ColorImageDict << /TileWidth 256 /TileHeight 256 /Quality 15 >> /AntiAliasGrayImages false /CropGrayImages true /GrayImageMinResolution 36 /GrayImageMinResolutionPolicy /Warning /DownsampleGrayImages true /GrayImageDownsampleType /Bicubic /GrayImageResolution 300 /GrayImageDepth -1 /GrayImageMinDownsampleDepth 2 /GrayImageDownsampleThreshold 2.00333 /EncodeGrayImages true /GrayImageFilter /DCTEncode /AutoFilterGrayImages false /GrayImageAutoFilterStrategy /JPEG /GrayACSImageDict << /QFactor 0.76 /HSamples [2 1 1 2] /VSamples [2 1 1 2] >> /GrayImageDict << /QFactor 0.76 /HSamples [2 1 1 2] /VSamples [2 1 1 2] >> /JPEG2000GrayACSImageDict << /TileWidth 256 /TileHeight 256 /Quality 15 >> /JPEG2000GrayImageDict << /TileWidth 256 /TileHeight 256 /Quality 15 >> /AntiAliasMonoImages false /CropMonoImages true /MonoImageMinResolution 36 /MonoImageMinResolutionPolicy /Warning /DownsampleMonoImages true /MonoImageDownsampleType /Bicubic /MonoImageResolution 600 /MonoImageDepth -1 /MonoImageDownsampleThreshold 1.00167 /EncodeMonoImages true /MonoImageFilter /CCITTFaxEncode /MonoImageDict << /K -1 >> /AllowPSXObjects false /CheckCompliance [ /None ] /PDFX1aCheck false /PDFX3Check false /PDFXCompliantPDFOnly false /PDFXNoTrimBoxError true /PDFXTrimBoxToMediaBoxOffset [ 0.00000 0.00000 0.00000 0.00000 ] /PDFXSetBleedBoxToMediaBox true /PDFXBleedBoxToTrimBoxOffset [ 0.00000 0.00000 0.00000 0.00000 ] /PDFXOutputIntentProfile (None) /PDFXOutputConditionIdentifier () /PDFXOutputCondition () /PDFXRegistryName (http://www.color.org) /PDFXTrapped /False /Description << /JPN <FEFF3053306e8a2d5b9a306f300130d330b830cd30b9658766f8306e8868793a304a3088307353705237306b90693057305f00200050004400460020658766f830924f5c62103059308b3068304d306b4f7f75283057307e305930023053306e8a2d5b9a30674f5c62103057305f00200050004400460020658766f8306f0020004100630072006f0062006100740020304a30883073002000520065006100640065007200200035002e003000204ee5964d30678868793a3067304d307e30593002> /DEU <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> /FRA <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> /PTB <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> /DAN <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>/NLD <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> /ESP <FEFF0055007300650020006500730074006100730020006f007000630069006f006e006500730020007000610072006100200063007200650061007200200064006f00630075006d0065006e0074006f0073002000500044004600200071007500650020007000650072006d006900740061006e002000760069007300750061006c0069007a006100720020006500200069006d007000720069006d0069007200200063006f007200720065006300740061006d0065006e0074006500200064006f00630075006d0065006e0074006f007300200065006d00700072006500730061007200690061006c00650073002e0020004c006f007300200064006f00630075006d0065006e0074006f00730020005000440046002000730065002000700075006500640065006e00200061006200720069007200200063006f006e0020004100630072006f00620061007400200079002000520065006100640065007200200035002e003000200079002000760065007200730069006f006e0065007300200070006f00730074006500720069006f007200650073002e> /SUO <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> /ITA <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> /NOR <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> /SVE <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> /ENU (Use these settings with Distiller 7.0 or equivalent to create PDF documents suitable for IEEE Xplore. Created 29 November 2005. ****Preliminary version. NOT FOR GENERAL RELEASE***) >> >> setdistillerparams << /HWResolution [600 600] /PageSize [612.000 792.000] >> setpagedevice
Compartilhar