2    The program

You must create a program in the form of a Python 3.6 module named with your team name.

2.1    The Player class

When imported, your module must define a class named Player with at least the following three methods:

1. def    init   (self, player, n):  Called once at the beginning of a game to initialise your player. Use this opportunity to set up an internal representation of the game state.

The parameter player will be the string "red" if your program will play as Red, or the string "blue" if your program will play as Blue. The parameter n denotes the size of the board being used.

2. def  action(self):  Called at the beginning of your turn.  Based on the current state of the game, your program should select and return an action to play.

The action must be represented based on the instructions for representing actions in the next section.

3. def turn(self, player,  action):  Called at the end of each player’s turn,  after  the referee has validated and applied that player’s action to its game state. Use this opportunity to update your own internal representation of the game state.

The parameter player will be the player whose turn just ended (either "red" or "blue"), and action will be the action performed by that player.  Of course, if it was your turn that just ended, action will be the same action you returned through the action method. Again, actions will be represented following the instructions for representing actions in the next section. The action will always be valid since the referee performs validation before this method is called (e.g., your turn method does  not need to validate the action against the game rules).

2.2    Representing actions

Our programs will need a consistent representa- tion for actions.  We will represent all actions as tu- ples  containing first a string action type and then possible action arguments, indexing hexes with the axial coordinate system from Part A (see Figure 1).

• To represent a steal action, use a tuple:

("STEAL",  )

There are no arguments required.  As per the game rules this action may only be played by Blue as their first move of the game.

• To represent a place action use a tuple: ("PLACE", r ,  q)

The arguments r , q denote the coordinate of the token being placed on the game board.  Note that there is no need for a separate capture action since captures occur as a consequence of placing tokens.

dinate system, see redblobgames.com/grids/hexagons/ (and don’t forget to acknowledge any algorithms or code you use in your program).

2.3    Running your program

To play a game of  Cachex  with your program, we provide a driver program—a Python module called referee. For your information, the referee program has the following essential structure:

1. Set up a Cachex game. Initialise the Player class for each of Red and Blue, as directed by the command line arguments (calling their  .  init   () methods). Set the active player to Red, since they always begin the game as per the rules.

2. Repeat the following until the game ends:

(a) Ask the active player for their next action (calling their .action() method).

(b) Validate the action and apply it to the game if is allowed (otherwise, end the game with an error

message). Display the resulting game state to the user.

(c) Notify both players of the action (calling their .turn() methods).

(d) Switch the active player to facilitate turn-taking.

3. After detecting one of the ending conditions, display the final result of the game to the user.

To play a game using referee, invoke it as follows.  The referee module (the directory referee/) and the modules with your Player class(es) should be within your current directory:

python  -m referee  <n>  <red module>  <blue module>

where python is the name of a Python 3.6 interpreter1  , <n> is the size of the game board and <red module>   and <blue module> are the names of modules containing the classes Player to be used for Red and Blue, re-   spectively. The referee offers many additional options. To read about them, run ‘python  -m referee  --help’.

2.4    Game board size

Cachex may theoretically be played on a hex board of arbitrary size, denoted by the parameter n. However, for practical purposes we will constrain testable n values to the range [3, 15] (inclusive). In fact, the referee program will not accept values outside of this range. While your agent must be capable of playing a game for any n inside this range, you should first prioritise optimising it for n = 8 and n = 9.  The majority of assessed test cases will use these board sizes.

2.5    Program constraints

The following resource limits will be strictly enforced on your program during testing. This is to prevent your programs from gaining an unfair advantage just by using more memory and/or computation time. These limits apply to each player for an entire game. In particular, they do not apply to each turn separately. For help measuring or limiting your program’s resource usage, see the referee’s additional options (--help).

• A maximum computation time limit of n2  seconds per player, per game.

• A maximum memory usage of 100MB per player, per game (not including imported libraries).

You must not attempt to circumvent these constraints. For example, do not use multiple threads or attempt to communicate with other programs or the internet to access additional resources.

2.6    Allowed libraries

Your program should use only standard Python libraries, plus the optional third-party libraries NumPy and SciPy (these are the only libraries installed on dimefox). With acknowledgement, you may also include code from the AIMA textbook’s Python library, where it is compatible with Python 3.6 and the above limited dependencies. Beyond these, your program should not require any other libraries in order to play a game.

However, to develop your program, you may use  any  tools, including tools using other programming languages. This is all allowed as long as your Player class does not require these tools to be available when it plays a game  (because they are not available on dimefox).

For example, let’s say you want to use machine learning techniques to improve your program. You could use third-party Python libraries such as scikit-learn/TensorFlow/PyTorch to build and train a model. You could then export the learned parameters of your model.  Finally, you would have to (re)implement the prediction component of the model yourself, using only Python/NumPy/SciPy. Note that this final step is typically simpler than implementing the training algorithm, but may still be a significant task.

3    The report

Finally, you must discuss the strategic and algorithmic aspects of your game-playing program and the techniques you have applied in a separate file called report.pdf.

This report is your opportunity to highlight your application of techniques discussed in class and beyond, and to demonstrate the most impressive aspects of your project work.

3.1    Report structure

You may choose any high-level structure of your report.  Aim to present your work in a logical way, using sections with clear titles separating different topics of discussion.

Here are some suggestions for topics you might like to include in your report. Note: Not all of these topics or questions will be applicable to your project, depending on your approach. That’s completely normal. You should focus on the topics which make sense for you and your work. Also, if you have other topics to discuss beyond those listed here, feel free to include them.

• Describe your approach: How does your game-playing program select actions throughout the game?

Example questions:  What search algorithm have you chosen, and why?  Have you made any modi- fications to an existing algorithm?  What are the features of your evaluation function, and what are their strategic motivations?  If you have applied machine learning, how does this fit into your overall approach? What learning methodology have you followed, and why?  (Note that it is not essential to use machine learning to design a strong player)

• Performance evaluation: How effective is your game-playing program?

Example questions: How have you judged your program’s performance? Have you compared multiple programs based on different approaches, and, if so, how have you selected which is the most effective?

•  Other aspects: Are there any other important creative or technical aspects of your work?

Examples: algorithmic optimisations, specialised data structures, any other significant efficiency opti- misations, alternative or enhanced algorithms beyond those discussed in class, or any other significant ideas you have incorporated from your independent research.

•  Supporting work:  Have you completed any other work to assist you in the process of developing your game-playing program?

Examples: developing additional programs or tools to help you understand the game or your program’s behaviour, or scripts or modifications to the provided driver program to help you more thoroughly compare different versions of your program or strategy.

You should focus on making your writing succinct and getting the level of detail right. The appropriate length for your report will depend on the extent of your work and so aiming for succinct writing will be more appropriate than aiming for a specific word or page count.

For example, there’s probably no need to present detailed code inside your report. Moreover, there’s no need to re-explain ideas we have discussed in class (and if you have applied a technique or idea that you think we may not be familiar with, then it would be appropriate to write a brief summary of the idea and provide a reference through which we can obtain more information).

3.2    Report constraints

While the structure and contents of your report are flexible, your report must satisfy the following constraints:

• Your report must not be longer than 6 pages (excluding references, if any).

• Your report can be written using any means but must be submitted as a PDF document.

4    Assessment

Your team’s Project Part B submission will be assessed out of 22 marks, and contribute 22% to your final score for the subject. Of these 22 marks:

•  11 marks will be allocated to the level of performance of your final player (you can only submit one, so pick your best if you developed a few players).

Of these, 4 marks are available for a player capable of consistently completing games without syn- tax/import/runtime errors, without invalid actions, and without violating the time or space constraints.

The remaining marks are awarded based on the results of testing your player against a suite of hidden ‘benchmark’ opponents of increasing difficulty, as described below. In each case, the mark will be based on the number of games won by your player (multiple test games will be played against each opponent with your player playing as Red and Blue in equal proportion). All tests will use Python 3.6 on the student Unix machines (for example, dimefox2).

3 marks available:  Opponents who choose randomly from their set of allowed actions each turn.

2 marks available:  ‘Greedy’ opponents who select the most immediately promising action available each turn, without considering your player’s responses (for various definitions of ‘most promising’).

2 marks available:  Opponents using the adversarial search techniques discussed in class and a simple evaluation function to look an increasing number of turns ahead.

•  11 marks will be allocated to the successful application of techniques demonstrated in your work.     We will review your report (and, on occasion, your code3) to assess your application of adversarial game- playing techniques, including your game-playing strategy, your choice of adversarial search algorithm, and your evaluation function.  For top marks, we will also assess your level of exploration beyond techniques discussed in class for enhancing the effectiveness of your player. Note that your report will be the primary means for us to assess this component of the project, so please use it as an opportunity to highlight your successful application of techniques.  For more detail, see the following criteria:

0–5 marks: Work that does not demonstrate a successful application of important techniques dis- cussed in class for playing adversarial games.  For example, a player who just makes random moves would likely get 0 marks.

6–7 marks: Work that demonstrates a successful application of the important techniques discussed in class for playing adversarial games, possibly with some theoretical, strategic, or algorithmic enhancements to these techniques.

8–9 marks: Work that demonstrates a successful application of the important techniques discussed in class for playing adversarial games,  along with  many  theoretical, strategic, or algorithmic enhancements to these techniques, possibly including some significant  enhancements based on independent research into algorithmic game-playing or original strategic insights into the game.

10–11 marks: Work that demonstrates a highly successful application of important techniques dis- cussed in class for playing adversarial games, along with many significant theoretical, strategic, or algorithmic enhancements to those techniques, based on independent research into algorithmic game-playing or original strategic insights into the game, leading to excellent player performance.

As per this marking scheme, it is possible to secure a satisfactory mark by successfully applying the techniques discussed in class. Beyond this, the project is open-ended. Every year, we are impressed by what students come up with. However, a word of guidance: We recommend starting with a simple approach before attempting more ambitious techniques, in case these techniques don’t work out in the end.

In the rare case where there is a disagreement between students about their contributions to the project which they cannot resolve within the group, we may assign a different mark to each team member.

4.1    Academic integrity

Unfortunately, we regularly detect and investigate potential academic misconduct and sometimes this leads to formal disciplinary action from the university.  Below are some guidelines on academic integrity for this project. Please refer to the university’s academic integrity website (academicintegrity.unimelb.edu.au), or ask the teaching team, if you need further clarification.

1. You are encouraged to discuss ideas with your fellow students, but it is not acceptable to share code between teams,  nor to use code written by anyone else.  Do not show your code to another team or ask to see another team’s code.

2. You are encouraged to use code-sharing/collaboration services, such as GitHub,  within  your team. However, you must ensure that your code is never visible to students outside your team . Set your online repository to ‘private’ mode, so that only your team members can access it.

3. You are encouraged to study additional resources to improve your Python skills. However, any code adapted or included from an external source must be clearly acknowledged. If you use code from a website, you should include a link to the source alongside the code.

4. If external or adapted code represents a significant component of your program, you should also ac- knowledge it in your report.  Note that for the purposes of assessing your successful application of techniques, using substantial amounts of externally sourced code will count for less than an original

implementation. However, it’s still better to properly acknowledge all external code than to submit it as your own in breach of the university’s policy.