Crazy Naval Battle

Disciplina: FGA0210 - PARADIGMAS DE PROGRAMAÇÃO - T01
Nro do Grupo (de acordo com a Planilha de Divisão dos Grupos): 02
Paradigma: SMA

Alunos

Matrícula	Aluno
20/0013181	Adne Moretti Moreira
20/0057227	Caio Vitor Carneiro de Oliveira
19/0085819	Cícero Barrozo Fernandes Filho
19/0045817	Gabriel Costa de Oliveira
20/0018205	Gabriel Moretti de Souza
20/0019015	Guilherme Puida Moreira
20/0067923	João Henrique Marques Calzavara
20/2023903	Lucas Lopes Rocha

Sobre

O projeto Crazy Naval Battle é uma simulação envolvente de uma batalha naval maluca, desenvolvida utilizando a linguagem de programação Python e a biblioteca Mesa para criação da interface gráfica. A abordagem adotada para modelar o comportamento dinâmico dos elementos na simulação é baseada no paradigma de Sistemas Multiagentes (SMA).

Agentes Envolvidos na Batalha:

• Cruzador: Equilíbrio entre mobilidade e poder de fogo.
• Torpedeiro: Focado em ataques de longa distância com torpedos.
• Morteiro: Agente de longo alcance especializado em causar danos significativos.
• Contra-Torpedeiro: Destinado a receber menos impacto dos torpedeiros.
• Contra-Morteiro: Destinado a receber menos impacto dos morteiros.

Sistemas

• Ataque: Utilizando iter_neighborhood Pegamos as celulas vizinhas e retornamos vizinhos que possuem afiliação diferente, e atacamos ele
• Receber Dano: Toda vez que um agente ataca um inimigo ele recebe o dano correspondente do inimigo.
• Mudar de Posicao: Utilizando generate_random_position Os agentes mudam de posições de forma aleatoria com base na posições ainda restantes

Configuração Personalizada:

O jogo permite que os usuários personalizem a quantidade de cada agente antes de iniciar a simulação, oferecendo uma experiência única a cada execução. Essa flexibilidade proporciona a criação de cenários diversos, desafiando os jogadores a explorar estratégias diferentes em cada simulação.

Paradigma de Sistemas Multiagentes (SMA):

O desenvolvimento do "Crazy Naval Battle" adota o paradigma de Sistemas Multiagentes, proporcionando uma representação fiel das interações complexas entre os diferentes agentes. Cada agente é autônomo, respondendo dinamicamente às condições do ambiente e às ações dos outros agentes, resultando em uma simulação envolvente e estratégica.

Demostração do Jogo Rodando

Screenshots

Instalação

Linguagens: Python

Tecnologias: Mesa, Matplotlib

Para executar o projeto, é necessário uma instalação do Python 3. Em sistemas Debian (ou derivados):

sudo apt install python3 python3-venv

Crie um venv usando:

python3 -m venv .venv

Ative o venv e instale as dependências:

source .venv/bin/activate
pip install -r requirements.txt

E rode o projeto:

python3 run.py

A interface estará disponível em localhost:8521.

Para automatizar esse processo, disponibilizamos um Makefile para rodar o projeto. Após a instalação do python3 e python3-venv, use:

make run

Esse comando automaticamente cria um venv, instala as dependências e executa o servidor.

Uso

Com a aplicação rodando, é possível selecionar a quantidade de cada agente no mapa através do sidebar que foi criado com alguns sliders.

Após alterar a quantidade de agente pelos sliders, deve-se apertar o botão reset para que a mudança aconteça em tela, respeitando então a quantidade de agentes referentes ao sidebar.

Após a quantidade de agentes ter sido definida, basta apertar "Start" que a simulação irá iniciar, vale salientar também que a quantidade de frames pode ser alterada pelo slider superior, aumentando a velocidade com que a simulação ocorre

Vídeo

O vídeo de apresentação está disponível em:

• Youtube: ACESSO
• GitHub: não foi possível incluir o vídeo no GitHub devido ao seu tamanho

Participações

Nome do Membro	Contribuição	Significância da Contribuição para o Projeto (Excelente/Boa/Regular/Ruim/Nula)
Adne Moretti Moreira	Morteiro, ContraMorteiro e integrações finais.	Excelente
Caio Vitor Carneiro de Oliveira	Criação do mapa e integrações finais.	Excelente
Cícero Barrozo Fernandes Filho	Torpedeiro, ContraTorpedeiro e integrações finais.	Excelente
Gabriel Costa de Oliveira	Makefile, Cruzador e integrações finais.	Excelente
Gabriel Moretti de Souza	Cruzador e integrações finais.	Excelente
Guilherme Puida Moreira	Criação do Boat e integrações finais.	Excelente
João Henrique Marques Calzavara	Torpedeiro, ContraTorpedeiro e integrações finais.	Excelente
Lucas Lopes Rocha	Morteiro, ContraMorteiro e integrações finais.	Excelente

Outros

Lições Aprendidas

• Sistema Multiagentes (SMA): A principal lição aprendida foi a aplicação do paradigma de Sistemas Multiagentes (SMA) no desenvolvimento da simulação de batalha naval maluca. Utilizar SMA permitiu a modelagem de agentes autônomos interativos, representando diferentes unidades navais com comportamentos distintos. Isso facilitou a compreensão e simulação de estratégias e interações complexas entre os agentes.
• Configuração Dinâmica: Lidar com a configuração dinâmica do número de agentes de cada tipo foi desafiador. A flexibilidade do SMA permitiu a adaptação fácil do sistema às preferências do usuário, proporcionando uma experiência personalizada na simulação.
• Interconexão de Agentes: Compreendemos como estabelecer interconexões eficientes entre os agentes, facilitando a comunicação e coordenação durante a simulação. Isso desempenhou um papel crucial na dinâmica da batalha naval maluca.

Contribuições

• Modelagem Eficiente dos Agentes: Conseguimos criar com sucesso um ambiente de simulação onde diversos agentes, como submarinos, porta-aviões e contra-morteiros, interagem de forma autônoma e estratégica.
• Personalização da Experiência: A flexibilidade do SMA permitiu que os usuários personalizassem a quantidade de cada tipo de agente na simulação, proporcionando diferentes cenários de batalha.

Fragilidades

• Concorrência de Projetos Acadêmicos: Uma fragilidade significativa foi a concorrência de tempo devido aos projetos acadêmicos de outras disciplinas no fim do semestre. As demandas adicionais de outras disciplinas da faculdade impactaram a disponibilidade da equipe para se dedicar integralmente ao desenvolvimento.
• Curva de Aprendizado do Paradigma SMA: A adaptação ao paradigma de Sistemas Multiagentes exigiu esforço da equipe de desenvolvimento. A compreensão das interações e dinâmicas entre os agentes, bem como a implementação eficaz das estratégias, demandou tempo e ajustes.

Possíveis Melhorias

• Ampliação da Variedade de Agentes: Buscar adicionar novos tipos de agentes para enriquecer a simulação, considerando diferentes habilidades e comportamentos na batalha.
• Inteligência Artificial Avançada: Incorporar técnicas avançadas de inteligência artificial para melhorar a tomada de decisões dos agentes, tornando a simulação mais realista e desafiadora.
• Interface Gráfica Aprimorada: Investir em uma interface gráfica mais intuitiva e visualmente atrativa para proporcionar uma experiência de simulação mais envolvente.
• Avaliações de Estratégias: Realizar avaliações contínuas das estratégias dos agentes, ajustando parâmetros conforme necessário para garantir uma simulação equilibrada e desafiadora.
• Documentação Detalhada: Fornecer uma documentação abrangente sobre a configuração de agentes, estratégias disponíveis e parâmetros de simulação para facilitar a compreensão e personalização por parte dos usuários.
• Exploração de Ambientes 3D: Explorar a possibilidade de representar a simulação em ambientes 3D para uma experiência mais imersiva e visualmente rica.

Fontes

Inspirado em: https://github.com/UnBParadigmas2023-1/2023.1_G5_SMA_Campo_De_Batalha;

Linguagem de programação: https://www.python.org/;

Interface gráfica (Mesa): https://mesa.readthedocs.io/en/stable/;

Criação do Grid: https://mesa.readthedocs.io/en/latest/apis/space.html

Sistemas Multiagentes (SMA): https://pt.wikipedia.org/wiki/Sistema_multiagente;