BUSQUEDA EN JUEGOS DE ADVERSARIO Sección 1-4

Presentación del tema: "BUSQUEDA EN JUEGOS DE ADVERSARIO Sección 1-4"— Transcripción de la presentación:

1 BUSQUEDA EN JUEGOS DE ADVERSARIO Sección 1-4
Cápitulo 6 BUSQUEDA EN JUEGOS DE ADVERSARIO Sección 1-4

2 Bosquejo Las decisiones óptimas Poda α-β
Las decisiones imperfectas de tiempo real

3 Juegos vs. Búsqueda Adversario “imprevisible”  especificar un movimiento para cada respuesta posible del adversario Límite de tiempo  improbable encontrar meta, deben aproximarse

4 Arbol de juego (2 jugadores, deterministas, turnos)

5 Minimax Jugada perfecta para juegos determinísticos
Idea: mover a la posición con mayor valor minimax = Mejor ganancia vs. mejor jugada E. g. Explorando a profundidad 2

6 Algoritmo Minimax

7 Propiedades de minimax
¿Completa? Sí (si el árbol es finito) ¿Óptimo? Sí (en contra de un adversario óptimo) ¿Complejidad en Tiempo? O(bm) ¿Complejidad en espacio? O(bm) DFS Para el ajedrez, b ≈ 35, m ≈100, para juegos "razonables“. Solución exacta no factible.

8 Ejemplo de α-β

9 Ejemplo de α-β

10 Ejemplo de α-β

11 Ejemplo de α-β

12 Ejemplo de α-β

13 Propiedades de α-β La poda no afecta el resultado final
Un buen orden de movimientos mejora la efectividad de poda Orden perfecto. Complejidad en tiempo = O(bm/2) à duplica la profundidad de búsqueda Un ejemplo simple del valor de razonamiento donde las computaciones tienen importancia (una forma de metarazonamiento)

14 ¿Por que α-β? α es el valor de la mejor elección (el valor más alto) encontrada hasta ahora en cualquier punto a lo largo del camino hacia max Si v es peor que α, max lo evitará à poda esa rama β semejante para min

15 Algoritmo α-β

16 Algoritmo α-β

17 Recursos Limitados Tenemos 100 s, explorar 104 nodos/s  106 nodos por movimiento método estándar: Prueba de truncamiento: v.g., Límite de profundidad La función de evaluación = estimar la conveniencia de la posición

18 Funciones de evaluación
Para el ajedrez, típicamente la suma ponderada lineal de características Eval(s) = w1 f1(s) + w2 f2(s) + … + wn fn(s) w1 = 9 con f1(s) = (el número de reinas blancas) – (el número de reinas negras) etc.

19 Recortando la búsqueda
MinimaxCutoff es idéntico a MinimaxValue excepto Terminal? es remplazada por Cutoff? Utility es remplazada por Eval Funciona en la práctica? bm = 106, b=35  m=4 Adelantarse 4 jugadas  jugador pésimo! 4-ply ≈ Principiante humano 8-ply ≈ PC típica, maestro humano 12-ply ≈ Deep Blue, Kasparov

20 Juegos Determinísticos
Damas: Chinook acabó reinado de 40 años de campeón mundial Marion Tinsley en Usaba una base de datos precomputada de finales perfectos para 8 o menos piezas. Un total de 444 billones de posiciones. Ajedrez: Deep Blue derrotó al campeón mundial Garry Kasparov en seis juegos en Deep Blue registra 200 millones de posiciones por segundo. Evaluación muy sofisticada, y métodos sin revelar para explorar hasta 40 jugadas adelante. Othello: Los campeones humanos se reúsan a jugar en contra de computadoras. Son demasiado buenas. Go: Los campeones humanos se reúsan a jugar contra computadoras. Son demasiados malas. En Go, b > 300, la mayoría de programas usan bases de conocimiento de patrones para sugerir movimientos aparentemente buenos.

21 Resumen ¡Los juegos son divertidos !
Ilustran varias puntos importantes acerca de IA La perfección es inalcanzable  debe aproximarse