21 

 

ενισχυτική  μάθηση  [18]  και  οι  Peña  και  Wrobel  με  αλγόριθμους  μάθησης  [19].  Εξίσου 

μοναδικές ήταν οι μέθοδοι των Vomlelova και Vomlel με Bayesian δίκτυα  [20]  καθώς και 

του Buffet με μη-ντετερμινιστικά δέντρα άνω ορίου εμπιστοσύνης (UCT) [21]. Όλες αυτές οι 

υλοποιήσεις απέκλιναν από την πλειοψηφία που κυρίως επέλεξε να επιλύσει το Ναρκαλιευτή 

με  προγραμματισμό  περιορισμών  (Constraint  Programming)  και  με  ντετερμινιστικές 

ευριστικές μεθόδους. 

Όσον αφορά την επίλυση με βάση τους περιορισμούς, οι Bayer [22], Collet [23] και 

Pedersen  [13]  προγραμμάτισαν  απλούστερους  επιλυτές  με  μεγαλύτερη  ταχύτητα 

λαμβάνοντας  υπόψη  μόνο  τοπικούς  περιορισμούς.  Στο  κομμάτι  που  τους  ξεπερνούσαν  με 

ευκολία  πιο  σύνθετες  υλοποιήσεις  ήταν  το  ποσοστό  επιτυχίας.  Οι  επιλυτές  που  λάμβαναν 

υπόψη  όλους  τους  περιορισμούς  του  ταμπλό  και  έλυναν  για  όλες  τις  πιθανές  λύσεις  όπως 

αυτοί του Studholme [24] και του Legendre [25] γρήγορα έγιναν οι πιο δημοφιλείς. 

Εκτεταμένη  χρήση  βρήκαν  και  οι  ευριστικές  μέθοδοι,  με  τον  Studholme [24]  να  τις 

μελετά  και  να  αναπτύσσει  μία  που  προτιμά  την  αποκάλυψη  μπλοκ  που  βρίσκονται  στις 

γωνίες  και  στις  άκρες  του  ταμπλό.  Ο  Legendre  [25]  συνδύασε  αλγορίθμους  που 

μεγιστοποιούν  ή  ελαχιστοποιούν  την  απόσταση  από  τις  γωνίες  ή  τις  άκρες  του  ταμπλό 

κάνοντας δοκιμές για την απόδοσή τους. Αξιοσημείωτη πρόοδο σημείωσε η Jinzheng Tu [26] 

αναλύοντας  τη  θεωρητικά  βέλτιστη  στρατηγική  που  πραγματεύεται  ο  Golan  [27]  με 

συνδυασμό  ευριστικών  μεθόδων  και  εκτενών  προσομοιώσεων  για  να  δημιουργήσει,  σε 

δικούς της όρους, τη σχεδόν βέλτιστη στρατηγική.  

Ιδιαίτερη σημασία για κάθε επιλυτή που επιδιώκει μεγάλο ποσοστό επιτυχίας έχει η 

αρχική κίνηση. Ο Studholme [24], ο Beccera [28] και η Tu [26] υποστηρίζουν στις εργασίες 

τους  πως  η  αρχή  από  τις  γωνίες  είναι  η  βέλτιστη  ενώ  αναλύουν  ενδελεχώς  τον  αντίκτυπο 

τόσο στην ασφάλεια της δεύτερη κίνησης όσο και στην έκβαση του παιχνιδιού.  

Κοινός  παράγοντας  των  περισσότερων  επιλυτών  είναι  το  ότι  επικεντρώνονται  στην 

επεξεργασία των δεδομένων του ταμπλό και όχι στη συλλογή τους. Ο  Packard [29] έφτιαξε 

έναν  αλγόριθμο  με  έμφαση  στην  επίλυση  του  Ναρκαλιευτή  χωρίς  να  είναι  δεδομένη  η 

πρόσβαση  στον  κώδικα  του  παιχνιδιού.  Αξιοποιώντας  εικόνες  επιμέρους  καταστάσεων  των 

μπλοκ καταφέρνει την οπτική ανάλυση του ταμπλό με μεγάλη ακρίβεια.  

 

Επεκτείνοντας  τη  μέθοδο  του  Packard,  η  παρούσα  εργασία  θα  επιλύσει  το 

Ναρκαλιευτή  με  μεθόδους  μηχανικής  όρασης  για  τη  συλλογή  πληροφοριών  και  την