Today, as games become a larger and larger part of our reality and their use more applicableto the real world through the use of for example AI and autonomous robots, how theinformation in these games and the knowledge of their players are stored becomes evermore important. This report investigates a class of games called Pursuit-Evasion Games withimperfect information on grids, where a team of pursuers hunts an opposing team ofevaders, while having imperfect information about their and each others' whereabouts. Forthese types of games, a new representation of the player's knowledge throughout the gamewas designed to gain better efficiency as the game scales in size compared to anotherrepresentation defined in an earlier report. This was done through studying relevant reportsand empirical testing. The representation defined in this report shifted the memoryrequirement from scaling quadratically with grid size to linearly with the number of agents.

Idag, då spel blir en allt större del av vår verklighet och deras användning blir mer tillämpligpå den verkliga världen genom användning av till exempel AI och autonoma robotar, blir detallt viktigare hur informationen i dessa spel och deras spelares kunskap lagras. Dennarapport undersöker en klass av spel kallad Pursuit-Evasion Games med ofullständiginformation på rutnät, där ett lag av jägare jagar ett flyende motståndarlag, med ofullständiginformation om deras egna och varandras omgivning. För dessa typer av spel utformades enny representation av spelarens kunskap under spelets gång för att get bättre effektivitet närspelet skalas upp jämfört med en annan representation definierad i en tidigare rapport. Dettagjordes genom att studera relevanta rapporter och göra empirisk testning. Representationensom definieras i denna rapport ändrade minneskravet från att skala kvadratiskt med rutnätetsstorlek till att skala linjärt med antalet spelare.