Skip to content
GitLab
Projects
Groups
Snippets
Help
Loading...
Help
Help
Support
Community forum
Keyboard shortcuts
?
Submit feedback
Contribute to GitLab
Sign in / Register
Toggle navigation
Enchente
Project overview
Project overview
Details
Activity
Releases
Repository
Repository
Files
Commits
Branches
Tags
Contributors
Graph
Compare
Issues
0
Issues
0
List
Boards
Labels
Service Desk
Milestones
Merge Requests
0
Merge Requests
0
CI / CD
CI / CD
Pipelines
Jobs
Schedules
Operations
Operations
Incidents
Environments
Analytics
Analytics
CI / CD
Repository
Value Stream
Members
Members
Collapse sidebar
Close sidebar
Activity
Graph
Create a new issue
Jobs
Commits
Issue Boards
Open sidebar
Vytor Calixto
Enchente
Commits
d7804bfb
Commit
d7804bfb
authored
Jun 18, 2017
by
Vytor Calixto
👾
Browse files
Options
Browse Files
Download
Email Patches
Plain Diff
[ci skip] Add leiame
parent
4ead4596
Pipeline
#10169
skipped
Changes
1
Pipelines
1
Hide whitespace changes
Inline
Side-by-side
Showing
1 changed file
with
39 additions
and
0 deletions
+39
-0
leiame.txt
leiame.txt
+39
-0
No files found.
leiame.txt
0 → 100644
View file @
d7804bfb
==CI209==
ALUNOS:
- Luiza Maria Wille Culau (GRR20141014)
- Vytor dos Santos Bezerra Calixto (GRR20144434)
IMPLEMENTAÇÃO:
No nosso trabalho, transformamos o tabuleiro em grafo e sobre o grafo aplicamos
nossas heurísticas. Para a jogada atual, agrupamos os vértices do grafo que são
uma possível escolha e, de início, utilizamos a soma do peso (número de células)
de uma cor mais um "bônus" (quantidade de células vizinhas) para determinar qual
cor seria consumida.
Essa heurística funcionou razoalvelmente bem no começo. No entanto, percebemos
que o peso de uma cor não influenciava muito na decisão. Assim, paramos de
utilizar o peso e passamos a usar apenas o "bônus", ou seja, escolhíamos uma cor
baseada na quantidade de células vizinhas não consumidas que ela alcançava no
grafo. Isso trouxe uma melhora na heurística e se tornou a base do nosso
pensamento. Entretanto, estávamos olhando apenas as cores vizinhas uma jogada a
frente e tínhamos muito tempo de processamento disponível. Por isso, decidimos
passar a olhar mais jogadas a frente.
Ao realizar uma busca em largura no grafo a partir da célula inicial, conseguimos
determinar com clareza quantas jogadas a frente iríamos olhar. Passamos a aumentar
o altura da busca até encontrarmos uma boa relação entre tempo e qualidade do
resultado. Entretanto, um valor bom para um tabuleiro não necessariamente era
bom para todos. Acabamos nos deparando com o artigo The Complexity of Flood
Filling Games (https://arxiv.org/abs/1001.4420) que provê uma aproximação dos
números máximo e mínimo de jogadas para um tabuleiro de flood-it (teoremas 5 e 6).
Com esses valores, passamos a brincar com os dados disponíveis (altura da árvore
de busca em largura, vértices no grafo, número de cores) para obter um valor de
profundidade para observar as jogadas. Desta forma, para cada tabuleiro, nossa
heurística determina até qual altura irá observar e utiliza como base de escolha
o peso da subárvore de um vértice.
As únicas exceções na escolha da heurística são:
1) Se há uma cor que pode "acabar" na jogada atual, ela será a escolhida
2) Se há uma cor que pode "acabar" uma jogada a frente, a(s) cor(es) que atingem
ela ganham mais bônus.
Write
Preview
Markdown
is supported
0%
Try again
or
attach a new file
Attach a file
Cancel
You are about to add
0
people
to the discussion. Proceed with caution.
Finish editing this message first!
Cancel
Please
register
or
sign in
to comment