TDDD92 - Predicting Combat Outcomes in SC2 using Bayesian Networks

Note, README is available in Swedish below!
This project builds a bayesian network that, given the units of two players, predicts the chance of a player winning a fight.

Structure

The project is split in three parts:

1. Building & Training
2. Testing
3. Making predictions

Building & Training

Both building and training can be found in train.py. The code begins by registering what units and what attributes to model. This is registered in Network (netowrk.py).

Network has two main responsibilities. First, it builds the nodes and edges of the network. Second, it parses all the data (using /data/parse.py) and computes derived data. This, and what nodes are continuous nodes, are returned to train.py.

After, bnlearn is used for training. It first discretizes all continuous nodes values. Then it trains the network using MLE.

Lastly, it creates a Model (model.py) object. This object is then saved using pickle.

Testing

Simple prediction testing can ve done via test.py. This files loads a stored model (Model.load()). Then makes a number of predictions that are printed to the console.

Integration

Since training the network takes a very long time (several hours) it's not feasible to train it during a SC2 game. Integration in an AI-agent therefore requires that a model can be saved. This easily done with Python's pickle library. Saving and loading is done by Model (model.py).

The Model-class doesn't only handle saving and loading the model, it also abstracts over bnlearn. Predictions with Model is easily done by:

with model.prediction():
    # Player 0
    model.use_unit_count(0, "Marine", 50)
    model.use_unit_count(0, "Reaper", 30)

    # Player 1
    model.use_unit_count(1, "Marine", 80)
    model.use_unit_count(1, "Maruder", 10)

    # Prediction that player 0 wins
    prob = model.make_prediction(0)

• with model.prediction() starts a new preductuib
• model.use_unit_count(player, unit, count) sets the unit count of some unit for a player (0 or 1)
• model.make_prediction(player) Makes a prediction

Modeled units

Currently, the following units are modeled:

• Marines
• Reaper
• Marauder
• SiegeTank

---

TDDD92 - Förutspå Stridsutfall med Bayesianska Nätverk

Detta projekt bygger ett bayesianskt nätverk som, givet enheter för två spelare, förutspår chansen att någon spelare vinner.

Struktur

Projektet är uppdelat i tre delar:

1. Byggande & Träning
2. Testning
3. Använding

Byggande & Träning

Byggande och träning av nätverket finns i train.py. Koden börjar med att registera vilka enheter samt vilka attribut som ska moduleras. Dessa registreras i Network (netowrk.py).

Netowrk har två huvudsakliga uppgifter. Dels bygger den upp bågar mellan alla noder i nätverket. Dels hämtar den simulerings data via /data/parse.py. Detta, samt alla kontinuerliga noder, returneras till train.py.

Vidare används biblioteket bnlearn för träning. Först diskritiseras alla värden för alla kontinuerliga noder. Sen tränas nätverket med MLE.

Sist skapas ett Model (model.py) objekt. Detta sparas sedan via pickle.

Testning

Simpel testning kan göras via test.py. Programmet laddar in ett sparat nätverk (Model.load()). Efter detta körs ett antal prediktioner som skrivs ut i terminalen.

Användning

Då träning av nätverket tar väldigt lång tid (flera timmar) är det inte rimligt att träna nätverket under spelets gång. Integrering krävs alltså att ett tränat närverk kan sparas. I python görs detta enkelt med biblioteket pickle. Detta hanteras av Model (model.py).

Model-klassen hanterar inte bara sparning och inladdning av nätverket, utan abstraherar också över bnlearn. Prediktion med Model görs enligt:

with model.prediction():
    # Spelare 0
    model.use_unit_count(0, "Marine", 50)
    model.use_unit_count(0, "Reaper", 30)

    # Spelare 1
    model.use_unit_count(1, "Marine", 80)
    model.use_unit_count(1, "Maruder", 10)

    # Prediktion att spelare 0 vinner
    prob = model.make_prediction(0)

• with model.prediction() påbörjar en ny prediktion
• model.use_unit_count(player, unit, count) sätter antalet enheter för en viss spelare
• model.make_prediction(player) utför prediktionen

Modulerade enheter

I nuläget modulerar nätverket följande:

• Marines
• Reaper
• Marauder
• SiegeTank