1.1.
INTRODUCCIÓN
Haciendo memoria de
las anteriores publicaciones sobre inteligencia artificial los agentes se
clasifican de diversas maneras según el entorno en el que se encuentren, estos
tipos de agentes los cuales se desenvuelven en un entorno en el que existe al
menos un agente del cual dependa sus acciones, se los conoce como multiagentes.
Para entender de mejor
manera lo que es un entorno multiagente les explicare con el siguiente ejemplo de
un juego en el cual tenemos un agente A el cual debe esperar el movimiento del
agente B para poder realizar una acción que dé como resultado una ganancia,
haciendo que nuestro agente se desenvuelva en un entorno de competitividad.
Como ya había
mencionado anteriormente existen diversos tipos de búsquedas que se aplican
dependiendo del tipo de agente, ¿pero qué sucede cuando un agente compite con
otro y ambos poseen una medida de rendimiento en la cual tienen que ganar?
Bueno para poder evaluar este tipo de situaciones tenemos que utilizar lo que
se conoce como búsqueda entre adversarios y los diversos algoritmos
existentes que utilizan este tipo de búsquedas.
1.2.
OBJETIVO
Conocer sobre las
búsquedas entre adversarios y las diversas estrategias de búsqueda para
problemas con juegos.
2.
MARCO
TEÓRICO
2.1.
Juegos
Uno de
los primeros pasos de la inteligencia artificial fue establecer la teoría de
juegos, estos en la inteligencia artificial representan a un entorno en donde
se encuentren dos agentes que traten de maximizar su rendimiento pero que a su
vez solo uno de ellos debe ganar.
Entre
los tipos de juegos que se pueden enlistar según la inteligencia artificial
tenemos los siguientes:
·
Juegos de suma cero
·
Minimax o de dos jugadores
·
Por turnos
·
Deterministas
·
De información perfecta.
Una de
las principales razones que hace que la inteligencia artificial se interese en
la teoría de los juegos es porque en estos se toman decisiones que afectan de
manera directa al agente, en muchos casos estas decisiones se realizan sin
haber calculado si es la mejor decisión o simplemente es una decisión más.
2.2.
Decisiones
Optimas en Juegos
Para realizar
decisiones optimas en juegos analizaremos el caso dos agentes que para
explicarlo de mejor manera y para entender la temática que le sigue los
llamaremos MIN y MAX, en este ejemplo témenos que MAX mueve primer, y que luego
de esto se mueve cada uno por turnos hasta que el juego termine, al finalizar
el juego se le concederá puntos al agente que gane mientras que al agente que
no logre ganar se le penalizara.
Es importante conocer
que los juegos cuentan con varios componentes que los definen entre ellos
tenemos:
Imagen 1: Juego de Tic-Tac-Toe
2.3.
Estrategias
Optimas
Ya
conocemos los típicos problemas de búsqueda normal en donde un agente trate de
encontrar una solución óptima que lo conduzca hacia un estado objetivo, ¿pero
en qué se diferencia este tipo de búsqueda de las búsquedas que se realizan en
los juegos? Bueno en los juegos tendremos a dos agentes que compiten por ganar,
en donde uno de los dos deberá encontrar una estrategia que le permita
responder ante los posibles movimientos del otro agente, expresado de otra
forma una estrategia optima es aquella que nos conduce a un resultado tan bueno
que cualquier otro tipo de estrategia de búsqueda cuando nos encontramos al
frente de un agente infalible.
Imagen
Un
ejemplo claro de este tipo de estrategias seria el del juego Tic-Tac-Toe en
donde dibujar un árbol para conocer todos los posibles movimientos resultar
demasiado complejo.
Existen
diversos algoritmos que utilizan estrategias óptimas para poder obtener un
mejor resultado como es el caso del algoritmo Minimax pero lo que hace especial
este algoritmo es que es fundamental contra aquellos agentes óptimos.
CONCLUSIONES
BIBLIOGRAFIASRussell, S., Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. Segunda Edición. Pearson Education. España
