Skip to content
GitLab
Explore
Sign in
Primary navigation
Search or go to…
Project
Enchente
Manage
Activity
Members
Labels
Plan
Issues
Issue boards
Milestones
Code
Merge requests
Repository
Branches
Commits
Tags
Repository graph
Compare revisions
Build
Pipelines
Jobs
Pipeline schedules
Artifacts
Deploy
Releases
Harbor Registry
Model registry
Operate
Environments
Monitor
Incidents
Analyze
Value stream analytics
Contributor analytics
CI/CD analytics
Repository analytics
Model experiments
Help
Help
Support
GitLab documentation
Compare GitLab plans
Community forum
Contribute to GitLab
Provide feedback
Keyboard shortcuts
?
Snippets
Groups
Projects
Show more breadcrumbs
Vytor Calixto
Enchente
Commits
d7804bfb
There was a problem fetching the pipeline summary.
Commit
d7804bfb
authored
7 years ago
by
Vytor Calixto
Browse files
Options
Downloads
Patches
Plain Diff
[ci skip] Add leiame
parent
4ead4596
No related branches found
No related tags found
No related merge requests found
Pipeline
#
Changes
1
Pipelines
1
Hide whitespace changes
Inline
Side-by-side
Showing
1 changed file
leiame.txt
+39
-0
39 additions, 0 deletions
leiame.txt
with
39 additions
and
0 deletions
leiame.txt
0 → 100644
+
39
−
0
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.
This diff is collapsed.
Click to expand it.
Preview
0%
Loading
Try again
or
attach a new file
.
Cancel
You are about to add
0
people
to the discussion. Proceed with caution.
Finish editing this message first!
Save comment
Cancel
Please
register
or
sign in
to comment