Algoritmo de Juego Humano-

Máquina
 Algoritmo de Juego Humano-Máquina

Tópicos

Algoritmo de Juego Humano –

Máquina
Algoritmo de Juega – Máquina
Estrategias de Juego
Ejemplo: Othelo
 1. Algoritmo de Juego Humano - Máquina

eI estado inicial

Gana Humano ó
si Gana Máquina ó
eI es meta Fin
Empate

si Juega Humano
turno=Humano
Genera estado “e”
eI  e
no Juega Máquina
Genera estado “e”
 2. Algoritmo de Juega Máquina

e1
Estrategias
e2

Sistema de
eI ... Selección e
Producción

ek-1

ek
 2. Algoritmo de Juega Máquina

• La máquina recibe un estado “eI”, usa el sistema de

producción y genera sus posibles alternativas de juego, y
mediante una estrategia, selecciona la jugada a realizar “e”

• La estrategia de selección de la jugada, depende del nivel de

dificultad que se desea impregnar en la competición.

• La inteligencia de los juegos humano – máquina depende de

la estrategia de selección, del nivel de ramificación del árbol
de jugadas (estados), y de la función evaluadora
 3. Estrategias de Juego

Nivel de Estrategias Descripción

Dificultad
0: Principiante No Determinística Se selecciona en forma aleatoria una de
las posibles jugadas

1: Normal Primero el mejor Se selecciona la mejor jugada, esto es la

(voraz, glotón) jugada que genera mejor valor de la
función evaluadora
2: Experto Min-Max Se selecciona la jugada que genera peor
(criterio: defensivo) utilidad entre las mejores jugadas del
oponente (humano)
Max-Diferencia Se selecciona la jugada que genera mayor
(criterio: ofensivo) diferencia de utilidades entre la jugada de
la máquina y la correspondiente mejor
jugada para el humano.
 Juegos bipersonales
Los juegos bipersonales en la IA
 Son problemas con contingencias
 En ocasiones pueden tener una ramificación alta
 porejemplo en ajedrez, b  35
 Puede haber limitaciones de tiempo
 Entorno semidinámico

En la resolución se utilizan:

 Funciones de evaluación
 Evalúan los operadores utilizados por cada jugador.

 Ayudan a decidir el resultado del juego y las mejores

estrategias para cada jugador.

 Métodos de poda
 Simplificación de la búsqueda.
Planteamiento general:
 2 jugadores: MAX y MIN (MAX mueve primero):
 Estado inicial
 Posición del tablero e identificación del primer jugador a mover
 Función sucesora:
 Lista de pares (movimiento, estado) indica cada movimiento

legal y su estado resultante

 Función objetivo:
 Determina cuándo se acaba el juego (en nodos objetivo o

terminales)
 Función de utilidad (función u):
 Definida en nodos terminales (valores numéricos)

 Resultado del juego. Por ejemplo:

 +1 si gana MAX

 -1 si gana MIN

 0 si empate (tablas)
Ejemplo: tres en raya

Inicialmente MAX puede realizar uno de entre nuevo movimientos posibles

Jugadas alternas entre MAX (x) y

MIN (o), hasta llegar a un estado
terminal

El valor de cada nodo hoja indica el valor de la

función utilidad desde el punto de vista de MAX
(valores altos son buenos para MAX y bajos
buenos para MIN)

El estado inicial y los movimiento legales de cada jugador definen el

árbol del juego.
Decisiones óptimas en juegos de dos adversarios
 Algoritmo minimax
 Tiene por objetivo decidir un movimiento para MAX.
 HIPÓTESIS
 Jugador MAX trata de maximizar su beneficio (función de utilidad).
 Jugador MIN trata de minimizar su pérdida.

 Aplicación algoritmo:
 1) Generar árbol entero hasta nodos terminales
 2) Aplicar función u a nodos terminales
 3) Propagar hacia arriba para generar nuevos valores de u para todos los nodos
 minimizando para MIN

 maximizando para MAX

 4) Elección jugada con máximo valor de u

 MINIMAX-VALUE(n) =
 UTILITY(n) Si n es un nodo terminal
 max
s  Sucesor(n) MINIMAX-VALUE(s) Si n es un nodo MAX
 min
s  Sucesor(n) MINIMAX-VALUE(s) Si n es un nodo MIN
 Decisiones óptimas en juegos de dos adversarios
 Ejemplo: tres en raya (Tarea: Explicar el Cuadro)

Nodos MAX, le toca mover a MAX

Nodos MIN

Valores de la función de utilidad para MAX

Valores minimax (cada nodo tiene asociado valor

minimax o MINIMAX-VALUE(n))

• La mejor jugada de MAX es A1 porque genera el mayor valor minimax entre sus nodos sucesores: ÓPTIMA
• La mejor jugada entonces de MIN es A11 porque genera el menor valor minimax entre sus nodos sucesores.
Decisiones óptimas en juegos de dos adversarios
 Algoritmo:

function MINIMAX-DECISION(state) return una acción

inputs: state, estado actual en el juego
v  MAX-VALUE(state)
return una acción de SUCCESSORS(state) con valor v

function MAX-VALUE(state) returns valor utilidad

if TERMINAL-TEST(state) then return UTILITY(n)
v -
for s en SUCCESSORS(state) do
v  MAX(v, MIN-VALUE(s))
return v

function MIN-VALUE(state) returns valor utilidad

if TERMINAL-TEST(state) then return UTILITY(n)
v  
for s en SUCCESSORS(state) do
v  MIN(v, MAX-VALUE(s))
return v

 La complejidad (m = máxima profundidad), como es una búsqueda en profundidad, es:

 Temporal: O (b m )
 Espacial: O (bm)
 Para juegos reales la complejidad temporal hace que sea impracticable. Es válido para casos de libro.
Decisiones imperfectas en juegos de dos adversarios
Tres en raya

ver Nilsson