Autor: GUTIERREZ SOARES CAIXETA 1, Orientadora: PROFA. DRA. RITA MARIA DA SILVA JULIA 1. Universidade Federal do Uberlândia (UFU) Uberlândia MG Brasil
|
|
- Armando Leveck de Carvalho
- 7 Há anos
- Visualizações:
Transcrição
1 LS-Draughts Um sistema especialista em aprendizagem de jogos de damas, baseado em redes neurais, diferenças temporais e mecanismos eficientes de busca em árvores de jogos. Autor: GUTIERREZ SOARES CAIXETA 1, Orientadora: PROFA. DRA. RITA MARIA DA SILVA JULIA 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do Uberlândia (UFU) Uberlândia MG Brasil gutierrez@umuarama.ufu.br, rita@ufu.br Nível: Mestrado Ano de ingresso no programa: 2006 Época esperada de conclusão: Julho / 2008 Etapa concluída: Apresentação da proposta de dissertação Resumo. O objetivo deste trabalho é acrescentar funcionalidades ao sistema de aprendizagem de damas, LS-DRAUGHTS, visando otimizar o treinamento de um agente jogador que aprende a jogar damas. A aprendizagem consiste em aproximar uma rede neural MLP através do método de aprendizagem por reforço TD(λ) e treinamento self-play com clonagem. O processo de aprendizagem é análogo ao utilizado pelos sistemas LS-DRAUGHTS [de Castro Neto and da Silva Julia 2007] e NEURODRAUGHTS [Lynch 2007]. Contudo, o LS-DRAUGHTS será expandido com, basicamente, dois novos e poderosos módulos: o primeiro fornecerá um mecanismo eficiente de busca da melhor jogada e o segundo fornecerá um mapeamento espacial do tabuleiro como entrada da rede neural MLP. O LS-DRAUGHTS utiliza um mapeamento de tabuleiro através de características que descrevem o domínio do jogo de damas enquanto, no mapeamento espacial, o agente aprenderá sem ter que recorrer a nenhuma informação que necessite de perícia humana, pela sua própria experiência. Além disso, o LS-DRAUGHTS apresenta um problema de loop de final de jogo, no qual o agente, mesmo em vantagem, não consegue pressionar o adversário. Tal problema representa um ponto fraco do mapeamento por características que será resolvido com o mapeamento espacial do tabuleiro. Palavras-Chave. Inteligência Artificial, Aprendizagem de Máquina, Busca em Árvores de Jogos, Algoritmos Genéticos, Aprendizagem por Reforço, Diferenças Temporais TD(λ), Redes Neurais, Busca MiniMax com Poda Alfa-Beta, Memory Enhanced Test Drivers (MTD-f), Tabelas de Transposição, Chaves Zobrist, Mapeamento Hash.
2 1. Introdução e Motivação Desde os mais remotos dias da inteligência artificial (IA), tem havido interesse em fazer com que um computador ensine a si próprio a jogar um jogo de habilidades, ao ponto de se tornar competitivo contra especialistas humanos. Tal interesse se justifica pelo domínio: as técnicas necessárias para que um agente jogue damas, por exemplo, são as mesmas utilizadas nas principais áreas da aprendizagem automática. Esforços no aprendizado de máquina têm mirado, freqüentemente, no aprendizado por reforço [Taylor et al. 2006] [Darwen 2001] [Runarsson and Lucas 2005], aonde uma série de ações conduzem para sucesso ou falha. A partir de então, alguma forma de crédito, ou culpa pelo resultado final, deve ser distribuído, de volta, para cada ação anterior. Baseando-se no aprendizado por reforço, o problema abordado neste trabalho aplicará técnicas de aprendizagem automática para conseguir um agente especialista, capaz de formular estratégias racionais em jogos de Damas. Dentro do paradigma de aprendizado por reforço, Mark Lynch [Lynch 2007] desenvolveu seu jogador de damas NEURODRAUGHTS que foi posteriormente estendido por Henrique Neto [de Castro Neto and da Silva Julia 2007], surgindo o LS DRAUGHTS. A originalidade aqui será estender e aprofundar o nível de perícia alcançado pelo jogador LS DRAUGHTS, mesclando técnicas utilizadas pelos consagrados agentes jogadores CHINOOK [Schaeffer 1997] e ANACONDA [Chellapilla and Fogel 2000]. Em outras palavras, este trabalho visa aprimorar as habilidades estratégicas do jogador LS DRAUGHTS, selecionando as melhores técnicas presentes em jogadores consagrados pela literatura como: redes neurais, aprendizagem por reforço e eficientes mecanismos de busca em árvores de jogos. 2. Trabalhos Relacionados 2.1. CHINOOK O Campeão Mundial O mais famoso agente jogador de damas e atual campeão mundial chama-se CHINOOK [Schaeffer et al. 1992] [Schaeffer et al. 1996]. É produto de esforços de pesquisas em estratégias de jogos iniciados em O projeto tinha dois objetivos que já foram alcançados: desenvolver, a curto prazo, um programa capaz de bater o campeão mundial humano e resolver, a longo prazo, a teoria do jogo de damas. Seu desempenho consiste de quatro aspectos fundamentais: 1. Busca: Eficiente algoritmo de poda alfa beta paralelo. 2. Função de avaliação: Função ajustada manualmente capaz de decidir quão boa uma posição é. 3. Bases de dados de finais de jogos: informação perfeita de qual fim de jogo é vitória, derrota ou empate. 4. Opening book: base de dados de diretrizes para início de jogo. CHINOOK usa um algoritmo paralelo de busca alfa-beta. Em 1992, teve uma profundidade mínima média de 19 jogadas. Embora buscas com tal profundidade pareçam impressionantes, ainda são insuficientes para igualar as habilidades humanas, especialmente em jogos. Extensivos trabalhos têm sido feitos na intenção de melhorar a qualidade da árvore de busca construída pelo jogador. Base de dados de finais de jogos são coleções de posições com valores provados pela teoria do jogo. CHINOOK tem acesso a bases de dados completas de 10 ou menos peças no
3 tabuleiro, aproximadamente 39 trilhões de possibilidades. Para cada uma dessas possibilidades, existe um informação perfeita se o jogo leva a uma derrota, empate ou vitória. O conhecimento da função de avaliação do CHINOOK é uma combinação linear de aproximadamente duas dúzias de componentes, cada um contendo muitos pesos heurísticos ajustados manualmente. Esforços têm sido feitos na tentativa de automatizar o processo de ajuste dos pesos utilizando equações lineares, redes neurais e algoritmos genéticos. Embora essas abordagens tradicionais pareçam promissoras na literatura, a experiência mostra que elas não podem competir com os resultados do ajuste manual. Em damas, é fundamental evitar algumas posições nas aberturas dos jogos. Por isso, torna-se necessário a utilização de bases de dados de início de jogos openning books. A falta de um openning book em damas pode fazer com que, antes do quarto movimento, seja encontrada uma situação de derrota forçada. São armadilhas que necessitam de buscas profundas para serem descobertas e, por outro lado, especialistas humanos sabem como enfrentar. No início de seu desenvolvimento, CHINOOK não possuia bases de dados iniciais mas, obviamente, não poderia competir no topo, por muito tempo, sem um bom opening book ANACONDA Pressionar o oponente sem depender de perícia humana Outro bem sucessido programa jogador é o ANACONDA [Chellapilla and Fogel 2000] [Fogel and Chellapilla 2002]. Seus autores exploraram o potencial de aprender jogar damas sem depender da usual inclusão de perícia humana [Chellapilla and Fogel 2001], na forma de características do jogo, que acreditam ser importantes para se jogar bem. Foi utilizada uma população de redes neurais na qual cada indivíduo serve como uma função de avaliação, para descrever a qualidade da posição corrente do jogo. Depois de pouco mais de 800 gerações, o processo evolucionário gerou uma rede neural que pode jogar damas no nível especialista. Em vez de pesquisar em tabelas, bases de dados perfeitas de finais de jogos, aberturas de grandes mestres ou mesmo características sobre posições do tabuleiro que parecem ser importantes, ANACONDA considera a possibilidade de redes neurais aprenderem a jogar damas sem tais conhecimentos. Segundo Fogel [Chellapilla and Fogel 2000], os esforços despendidos com técnicas de aprendizagem automática devem minimizar o montante de intervenção humana no processo. Em seu trabalho foi utilizada a técnica de co-evolução para evoluir uma rede neural que pode avaliar tabuleiros de damas e jogar em nível de especialistas humanos SAMUEL O primeiro agente jogador Samuel [Samuel 1959] foi o primeiro grande e conhecido esforço em desenvolver um algoritmo capaz de jogar damas. Seu método consistiu no uso de uma função de avaliação polinomial abrangendo um subconjunto de características do tabuleiro escolhidas de uma grande lista de possibilidades. Samuel obteve um bom jogador de damas, mas ele próprio identificou o primeiro grande defeito de seu programa [Samuel 1967]: a ausência de um procedimento de máquina, efetivo, gerando novos parâmetros para o procedimento de avaliação NEURODRAUGHTS Aprendizagem por Reforço Lynch [Lynch 2007] desenvolveu seu jogador de damas utilizando o mínimo de afinação humana possível. Seu objetivo foi criar um oponente mais humano, um oponente que pudesse aprender a jogar através de partidas contra si próprio, dadas as regras do jogo e um pequeno conjunto de características. Apesar da proposta de pouca intervenção humana, Lynch ainda utilizou um subconjunto das características de Samuel (características fixas escolhidas manualmente).
4 2.5. LS-DRAUGHTS Aprendizagem por Reforço e Algoritmos Genéticos Neto [de Castro Neto and da Silva Julia 2007] extendeu o NEURODRAUGHTS criando o LS- DRAUGHTS: um sistema gerador de agentes jogadores de Damas em que os jogadores correspondem a redes neurais treinadas pelo método de aprendizagem por reforço TD(λ), aliado com a busca minimax e técnica de treinamento por self-play com clonagem. As entradas das redes neurais correspondem aos estados do tabuleiro de Damas, representado através de funções que definem as características do domínio do jogo de Damas. O ponto de partida do presente trabalho será o LS-DRAUGHTS e a intenção, conforme dito anteriormente, será aprimorar as habilidades estratégicas do jogador, selecionando as melhores técnicas presentes na literatura correlata acima mencionada. 3. Metodologia e Estado da Pesquisa Diante das características dos jogadores CHINOOK e ANACONDA, pode-se atacar os dois pontos fracos do LS DRAUGHTS: 1. Ineficiente mecanismo de busca: Em vez de utilizar minimax simples com profundidade 4, fornecer ao LS-DRAUGHTS um eficiente mecanismo de busca capaz de reduzir o número de nós que precisam ser avaliados na árvore. 2. Problema do loop de fim de jogo: Em vez de utilizar o mapeamento do tabuleiro com funções, fornecer ao LS-DRAUGHTS o mapeamento espacial utilizado em ANA- CONDA, visto que tal jogador age restringindo o movimento do oponente Memory-enhanced Test (MT) x Poda Alfa-Beta Existem muitos algoritmos de busca em árvores de jogos. Trata-se de uma área de conhecimento muito explorada. O programa jogador CHINOOK, por exemplo, utiliza minimax com poda alfa-beta paralelo. Em [Plaat et al. 1995b] e [Plaat et al. 1995a] percebe-se que por mais de 30 anos, alfa-beta tem sido o algoritmo de escolha para tal finalidade. Usando uma simples busca em profundidade, da esquerda para a direita, é possível pesquisar árvores eficientemente. Muitas melhorias importantes foram adicionadas ao algoritmo básico alfa-beta, incluindo iterative deepening, transposition tables, history heuristic e minimal window searching. Por outro lado, Schaeffer [Plaat et al. 1995b] introduz o algoritmo Memory-enhanced Test (MT). Uma rotina que busca eficientemente uma árvore de jogo para responder a questões binárias. No entanto, busca resultando em decisão binária simples, geralmente, não é útil para programas de jogos. Porém, caso seja utilizada memória para armazenar os nós previamente visitados (transposition tables), MT pode eficientemente re-buscar árvores, de forma que chamadas repetidas para MT podem ser usadas para conseguir o valor minimax. Schaeffer [Plaat et al. 1995b] conclui que procedimentos de decisões binárias apresentam-se mais eficientes que buscas com largas janelas e que não existe razão para o uso continuado do wide-windowed alfa-beta. Embora todo livro introdutório de inteligência artificial discuta alfa-beta, MT é um algoritmo mais simples, mais fácil de entender e mais eficiente. Logo, a metodologia proposta para combater o primeiro problema do LS DRAUGHTS é implementar os dois mecanismos de busca citados. A partir daí, será lançado um comparativo entre eles e escolhido o mais eficiente para o agente jogador.
5 3.2. Mapeamento Espacial: Ausência de perícia humana O método de Samuel [Samuel 1959] consistiu no uso de uma função de avaliação polinomial abrangendo um subconjunto de características do tabuleiro escolhidas de uma grande lista de possibilidades. A pesquisa realizada por [Lynch 2007] confirmou o sucesso do mapeamento das características do tabuleiro. [de Castro Neto and da Silva Julia 2007] extendeu a abordagem do mapeamento por características, utilizando algoritmos genéticos, com sucesso, para fazer a escolha ideal do conjunto mínimo de características de tabuleiro necessárias. Veja que em [de Castro Neto and da Silva Julia 2007] existe uma maior abordagem em aprendizado de máquina, visto que a escolha do conjunto mínimo não é mais humana. Porém, o conjunto mínimo é um subconjunto de outro construído a base de especialistas, peritos do jogo de damas. Os resultados oferecidos por ANACONDA [Chellapilla and Fogel 2000] indicam que um mapeamento que informe somente as posições das peças no tabuleiro e seus tipos (reis ou comuns), ou seja, as características espaciais do tabuleiro, é suficiente para se obter um bom agente jogador. Portanto, para combater o segundo problema do LS DRAUGHTS, a proposta é atacar o problema do loop, com maior coerência ao tópico inteligência artificial, alterando o mapeamento do tabuleiro o mapeamento de ANACONDA deve ser utilizado como referência. 4. Cronograma do Trabalho até a Defesa A execução dos trabalhos começou pelo estudo detalhado dos programas NEURODRAUGHTS e LS DRAUGHTS. Todo o trabalho aqui realizado visará estender as capacidades estratégicas do agente LS DRAUGHTS. Um levantamento bibliográfico minuncioso foi realizado para embasar, criteriosamente, as ações que serão tomadas no processo de extensão do LS DRAUGHTS. Dois outros famosos agentes jogadores de damas, CHINOOK e ANACONDA, foram estudados. O objetivo era encontrar uma boa maneira de atacar os dois problemas principais do LS-DRAUGHTS: seu ineficiente mecanismo de busca e seu problema de loops de finais de jogos. Referências A figura abaixo mostra o detalhamento do cronograma de trabalho. Chellapilla, K. and Fogel, D. B. (2000). Anaconda defeats hoyle 6-0: A case study competing an evolved checkers program against commercially available software. In Proceedings of the 2000 Congress on Evolutionary Computation CEC00, pages , La Jolla Marriott Hotel La Jolla, California, USA. IEEE Press. Chellapilla, K. and Fogel, D. B. (2001). Evolving an expert checkers playing program without using human expertise. IEEE Trans. Evolutionary Computation, 5(4): Darwen, P. J. (2001). Why co-evolution beats temporal difference learning at backgammon for a linear architecture, but not a non-linear architecture. In Proceedings of the 2001 Congress on Evolutionary Computation CEC2001, pages , COEX, World Trade Center, 159 Samseong-dong, Gangnam-gu, Seoul, Korea. IEEE Press. de Castro Neto, H. and da Silva Julia, R. M. (2007). Lcs-draughts: Um sistema automático classificador e gerador de características em jogos de damas.
6 Figura 1. Cronograma de Execução dos Trabalhos Fogel, D. B. and Chellapilla, K. (2002). Verifying anaconda s expert rating by competing against chinook: experiments in co-evolving a neural checkers player. Neurocomputing, 42(1-4): Lynch, M. (2007). An application of temporal difference learning to draughts. Plaat, A., Schaeffer, J., Pijls, W., and de Bruin, A. (1995a). Best-first fixed-depth game-tree search in practice. In Proceedings of the International Joint Conference on Artificial Intelligence (IJCAI-95), volume 1, pages , Montreal, Canada. Plaat, A., Schaeffer, J., Pijls, W., and de Bruin, A. (1995b). A new paradigm for minimax search. Technical Report EUR-CS-95-03, Rotterdam, Netherlands. Runarsson, T. P. and Lucas, S. M. (2005). Coevolution versus self-play temporal difference learning for acquiring position evaluation in small-board go. IEEE Trans. Evolutionary Computation, 9(6): Samuel, A. L. (1959). Some studies in machine learning using the game of checkers. Samuel, A. L. (1967). Some studies in machine learning using the game of checkers ii - recent progress. Schaeffer, J. (1997). One jump ahead: challenging human supremacy in checkers. Springer- Verlag New York, Inc., New York, NY, USA. Schaeffer, J., Culberson, J. C., Treloar, N., Knight, B., Lu, P., and Szafron, D. (1992). A world championship caliber checkers program. Artificial Intelligence, 53(2-3): Schaeffer, J., Lake, R., Lu, P., and Bryant, M. (1996). CHINOOK: The world man-machine checkers champion. AI Magazine, 17(1): Taylor, M. E., Whiteson, S., and Stone, P. (2006). Comparing evolutionary and temporal difference methods in a reinforcement learning domain. In GECCO 06: Proceedings of the 8th annual conference on Genetic and evolutionary computation, pages , New York, NY, USA. ACM Press.
Uma proposta para resolver o problema de loop no LSDraughts e VisionDraughts: criação de um jogador de final de jogo
Uma proposta para resolver o problema de loop no LSDraughts e VisionDraughts: criação de um jogador de final de jogo Autor: Valquíria Aparecida Rosa Duarte 1, Orientadora: Rita Maria da Silva Julia 1 1
Leia maisAutor: Ayres Roberto Araújo Barcelos 1 Orientadora: Profª Rita Maria da Silva Julia 1. Universidade Federal de Uberlândia Uberlândia - MG - Brasil
Obtenção do jogador automático de damas baseado em LSDraughts, VisionDraughts e MPDraughts e avaliação de seu treinamento em um ambiente paralelo e distribuído Autor: Ayres Roberto Araújo Barcelos 1 Orientadora:
Leia maisBusca Competitiva. Inteligência Artificial. Até aqui... Jogos vs. busca. Decisões ótimas em jogos 9/22/2010
Inteligência Artificial Busca Competitiva Aula 5 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia-pos Capítulo 6 Russell & Norvig Seção 6.1 a 6.5 2 Até aqui... Problemas sem interação com outro agente.
Leia maisFigura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall.
Figura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall. Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Bacharelado
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre Assunto Aula 7 Algoritmos de Busca Competitiva 2 de 20 Sumário Introdução Busca Competitiva
Leia maisCEFET/RJ Disciplina: Inteligência Artificial Professor: Eduardo Bezerra Lista de exercícios 02
. CEFET/RJ Disciplina: Inteligência Artificial Professor: Eduardo Bezerra Lista de exercícios 02 Créditos: alguns itens desta lista são adaptados do material da disciplina CS188 - Artificial Intelligence
Leia maisIntrodução à Inteligência Artificial. Procura em contextos competitivos jogos (cont.)
Introdução à Inteligência Artificial Procura em contextos competitivos jogos (cont.) Sumário n Vimos Jogos de 2 jogadores n Determinísticos, soma nula, informação perfeita Estratégia óptima minimax Algoritmos
Leia maisGutierrez Soares Caexêta
Gutierrez Soares Caexêta VisionDraughts Um Sistema de Aprendizagem de Jogos de Damas Baseado em Redes Neurais, Diferenças Temporais, Algoritmos Eficientes de Busca em Árvores e Informações Perfeitas Contidas
Leia maisMicrosoft Faculty Connection
Microsoft Faculty Connection Plataforma de Jogos como Ferramenta Multidisciplinar Prof. Dr. LucianoAntonio Digiampietri EACH-USP Roteiro Introdução Objetivos Detalhamentodo Projeto Conclusões Introdução
Leia maisJogos. Geralmente o oponente tentará, na medida do possível, fazer o movimento menos benéfico para o adversário.
Jogos Os jogos tem atraído a atenção da humanidade, às vezes de modo alarmante, desde a antiguidade. O que o torna atraente para a IA é que é uma abstração da competição (guerra), onde se idealizam mundos
Leia maisÁrvore de Jogos Minimax e Poda Alfa-Beta
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Árvore de Jogos Minimax e Poda Alfa-Beta Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisInteligência Artificial. 3º Quadrimestre de 2018
Inteligência Artificial Prof. Fabrício Olivetti de França Prof. Denis Fantinato 3º Quadrimestre de 2018 1 Busca Competitiva 2 Busca Competitiva Quando falamos sobre agentes mencionamos alguns cenários
Leia mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisImplementação e Avaliação do Algoritmo MCTS-UCT para o jogo Chinese Checkers. Jhonny Moreira
Implementação e Avaliação do Algoritmo MCTS-UCT para o jogo Chinese Checkers Jhonny Moreira Introdução Introdução Na área da inteligência artificial (IA), a motivação é conseguir colocar os computadores
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisSOLUÇÕES HEURÍSTICAS PARA O JOGO DE DAMAS
Universidade Federal do Tocantins SOLUÇÕES HEURÍSTICAS PARA O JOGO DE DAMAS Diogo Rigo de Brito Guimarães Alexandre Tadeu Rossini da Silva Objetivo Implementar soluções heurísticas para o Jogo de Damas
Leia maisDepartamento de Ciência de Computadores - FCUP Primeiro Teste de Inteligência Artificial / Sistemas Inteligentes (Duração: 2 horas)
Departamento de Ciência de Computadores - FCUP Primeiro Teste de Inteligência Artificial / Sistemas Inteligentes (Duração: horas) Nome: Data: 7 de Abril de 016 1) Considere a aplicação da busca em profundidade
Leia maisUTILIZAÇÃO DE APRENDIZADO POR REFORÇO PARA APRENDER A ESTRATÉGIA DO JOGO DA VELHA
Anais do 12 O Encontro de Iniciação Científica e Pós-Graduação do ITA XII ENCITA / 2006 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil Outubro 16 a19 2006 UTILIZAÇÃO DE APRENDIZADO
Leia maisInteligência Artificial
Inteligência Artificial Professor Rafael Stubs Parpinelli E-mail: rafael.parpinelli@udesc.br udesc.academia.edu/rafaelstubsparpinelli www.researchgate.net/profile/rafael_parpinelli www.joinville.udesc.br/portal/professores/parpinelli/
Leia maisAlgoritmos de retrocesso
Algoritmos de retrocesso Algoritmos em que se geram escolhas que vão sendo testadas e eventualmente refeitas Problemas para os quais não existem algoritmos eficientes: retrocesso é melhor que pesquisa
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 24 Aprendizado Por Reforço Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor (KNN).
Leia maisRicardo Matsumura de Araújo Professor Assistente FURG Doutorando PPGC / UFRGS Orientador: Luis C. Lamb
Ricardo Matsumura de Araújo Professor Assistente FURG Doutorando PPGC / UFRGS Orientador: Luis C. Lamb Aprendizado de Máquina IA Estatística Computação Diz-se que um algoritmo é capaz de aprender de uma
Leia maisAnatomia do motor de um programa de xadrez. Hugo Vinicius M. D. Santana Orientador: José Coelho de Pina
Anatomia do motor de um programa de xadrez Hugo Vinicius M. D. Santana Orientador: José Coelho de Pina Conteúdo Objetivo O que é um motor de xadrez? Arquitetura Entrada e saída Representação do tabuleiro
Leia maisAlgoritmos de retrocesso
Algoritmos de retrocesso Algoritmos em que se geram escolhas que vão sendo testadas e eventualmente refeitas Problemas para os quais não existem algoritmos eficientes: retrocesso é melhor que pesquisa
Leia maisJogo de Damas. Alunos: Sávio Mendes de Figueiredo Sômulo Nogueira Mafra
Jogo de Damas Alunos: Sávio Mendes de Figueiredo (savio@cos.ufrj.br) Sômulo Nogueira Mafra (somulo@cos.ufrj.br) Prof.: Inês dutra Inteligência artificial Coppe sistemas - UFRJ 1. Algumas Frases 2. Origens
Leia maisJOGOS JOGOS. Exemplo: xadrez. Vários tipos de jogos. Uma árvore de jogo. Raciocínio em jogo de xadrez?
JOGOS JOGOS entre os primeiros domínios de aplicação razões - problema de definição fácil (regras do jogo) - constituem uma tarefa estruturada em que é fácil medir o sucesso ou fracasso Vários tipos de
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 18 Aprendizado Por Reforço Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor (KNN).
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Relatório: Rede Neural para tomada de decisão Christian Diego Alves Daniel cdad Icamaan Botelho Viegas da Silva - ibvs Recife, 30 de Julho de 2007. 1. Introdução A Robocup é um
Leia maisExemplo de aprendizagem máquina
(Primeiro exemplo) Jogo de damas c/ aprendizagem Tom Mitchell, Machine Learning, McGraw-Hill, 1997 chapter 1 17-Jul-13 http://w3.ualg.pt/~jvo/ml 12 1 Exemplo de aprendizagem máquina 1. Descrição do problema
Leia maisInteligência Artificial. Resolução de problemas por meio de algoritmos de busca. Aula VI Busca Competitiva
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação http://www.inf.unioeste.br/~claudia/ia2017.html Inteligência Artificial Resolução de problemas por meio de algoritmos
Leia maisAlternativamente pode ser pensado como uma forma de maximizar o minimo ganho possível.
Inteligência Artificial Algoritmo i com cortes Alfa-Beta Ana Saraiva 050509087 Ana Barbosa 050509089 Marco Cunha 050509048 Tiago Fernandes 050509081 FEUP - MIEIC 3ºAno/ºSemestre 1 Introdução O algoritmo
Leia maisJogos em Teoria dos Jogos e em
3 Jogos em Teoria dos Jogos e em Computação A Teoria dos Jogos pode ser entendida como a análise matemática de qualquer situação que envolva um conflito de interesses com o intuito de indicar as melhores
Leia maisAprendizagem de Máquina - 2. Prof. Júlio Cesar Nievola PPGIa - PUCPR
Aprendizagem de Máquina - 2 Prof. Júlio Cesar Nievola PPGIa - PUCPR Inteligência versus Aprendizado Aprendizado é a chave da superioridade da Inteligência Humana Para que uma máquina tenha Comportamento
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Leia maisInteligência Computacional para Jogos Eletrônicos
Inteligência Computacional para Jogos Eletrônicos Papéis da IA em Jogos Adversários Aliados Personagens de apoio NPC s (Non-player Character) Comentaristas Controle de câmera Geração de fases Nivelamento
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais - Complementar) Prof. a Joseana Macêdo
Leia maisClassificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução
Leia maisAlgarve. A2 Aprendizagem Automática ML Machine Learning 7/15/2013
Preparado para o curso de pós-graduação em Ciências da Computação da Universidade Federal do Ceará, Fortaleza, Brasil A2 Aprendizagem Automática ML Machine Learning Julho e Agosto de 2013 José Valente
Leia maisSumário. Decisões óptimas em jogos (minimax) Cortes α-β Decisões imperfeitas em tempo real
Jogos Capítulo 6 Sumário Decisões óptimas em jogos (minimax) Cortes α-β Decisões imperfeitas em tempo real Jogos vs. Problemas de Procura Adversário imprevisível" necessidade de tomar em consideração todas
Leia maisUFSC Universidade Federal de Santa Catarina CTC Centro Tecnológico INE Departamento de Informática e Estatística
UFSC Universidade Federal de Santa Catarina CTC Centro Tecnológico INE Departamento de Informática e Estatística INE6105-Introdução à Robótica Prof. Mauro Roisemberg Arkin. Ronald C. Behavior-Based Robotics
Leia maisInteligência Artificial (SI 214) Aula 6 Busca com Adversário. Prof. Josenildo Silva
Inteligência Artificial (SI 214) Aula 6 Busca com Adversário Prof. Josenildo Silva jcsilva@ifma.edu.br 2015 2012-2015 Josenildo Silva (jcsilva@ifma.edu.br) Este material é derivado dos slides de Hwee Tou
Leia maisJogos com Oponentes. March 7, 2018
Jogos com Oponentes March 7, 2018 Jogos com Oponentes ˆ Problemas de busca: não assumem a presença de um oponente ˆ Jogos: oponente INCERTEZA! ˆ Incerteza porque não se conhece as jogadas exatas do oponente
Leia maisJogos - aula 2. Prof. Luis Otavio Alvares II / UFRGS
Jogos - aula 2 Prof. Luis Otavio Alvares II / UFRGS 1 Função de avaliação: Xadrez chines 2 Xadrez chinês Exemplo de função de avaliação: o valor das peças é de acordo com a sua posição: 12 para a última
Leia maisINTELIGÊNCIA ARTIFICIAL 2008/09
INTELIGÊNCIA ARTIFICIAL 2008/09 JOGOS Ex. 1) ( Teste 2005/06) Considere a seguinte árvore de procura de dois agentes. Reordene as folhas de modo a maximizar o número de cortes com uma procura da esquerda
Leia maisTécnicas para Implementação de Jogos
Técnicas para Implementação de Jogos Solange O. Rezende Thiago A. S. Pardo Considerações gerais Aplicações atrativas para métodos de IA Formulação simples do problema (ações bem definidas) Ambiente acessível
Leia maisAlgoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisCTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa. Prof. Paulo André Castro
CTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa Prof. Paulo André Castro pauloac@ita.br www.comp.ita.br/~pauloac Sala 110, IEC-ITA Sumário Busca Competitiva Para Ambientes multiagentes...
Leia maisJogo King Relatório da Melhoria do Trabalho Inteligência Artificial. Tiago Fonseca, ei02100
Jogo King Relatório da Melhoria do Trabalho Inteligência Artificial Tiago Fonseca, ei02100 19 de Julho de 2005 Resumo Conteúdo 1 Introdução 3 1.1 Objectivo................................... 3 1.2 Motivação...................................
Leia maisa) Defina em Prolog iguais/1, um predicado que recebe um estado do jogo e que verifica que todas as pilhas têm o mesmo número de peças.
Introdução à Inteligência Artificial 2ª Época 29 Janeiro 2015 Nº Aluno: Nome Completo: Exame com consulta. Responda às perguntas nesta própria folha, nos espaços indicados. (I) O jogo do Nim (também chamado
Leia maisInstituto de Informática. Departamento de Informática Aplicada
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL Instituto de Informática Departamento de Informática Aplicada INF01048 Inteligência Artificial Prof. Paulo Martins Engel Trabalho Prático - Relatório Final Carlos
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisArtifical (utilizando o Jogo da Velha)
Ensinando Técnicas de Inteligência Artifical (utilizando o Jogo da Velha) Prof. Dr. Luciano Antonio Digiampietri Escola de Artes, Ciências e Humanidades da USP Roteiro Contexto Educativo Descrição do Jogo
Leia maisInteligência Artificial. Conceitos Gerais
Inteligência Artificial Conceitos Gerais Inteligência Artificial - IA IA é um campo de estudo multidisciplinar e interdisciplinar, que se apóia no conhecimento e evolução de outras áreas do conhecimento.
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO Aluno: Pedro Ivo Silveira Sousa (piss@cin.ufpe.br) Orientador: Geber Lisboa Ramalho (glr@cin.ufpe.br) Área:
Leia maisAvaliando Hipóteses. George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE
Avaliando Hipóteses George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE Pontos importantes Erro da Amostra e Erro Real Como Calcular Intervalo de Confiança Erros de hipóteses Estimadores Comparando
Leia maisFundamentos de Teoria dos jogos
Fundamentos de Teoria dos jogos A Teoria dos Jogos é um ramo da matemática aplicada que estuda situações estratégicas em que jogadores escolhem diferentes ações na tentativa de melhorar seu retorno. Na
Leia maisAprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
Leia maisIN-1131 Computação Evolucionária. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
IN-1131 Computação Evolucionária Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática aluizioa@cin.ufpe.br Objetivos Este curso visa oferecer introdução abrangente em
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisUMA IMPLEMENTAÇÃO PARALELA DO ALGORITMO DE EVOLUÇÃO DIFERENCIAL AUTOADAPTATIVO
Universidade Federal de Ouro Preto - UFOP Instituto de Ciências Exatas e Biológicas - ICEB Departamento de Computação - DECOM UMA IMPLEMENTAÇÃO PARALELA DO ALGORITMO DE EVOLUÇÃO DIFERENCIAL AUTOADAPTATIVO
Leia maisBusca competitiva. Inteligência Artificial. Profª. Solange O. Rezende
Profª. Solange O. Rezende 1 O que vimos até agora... Busca não informada Baseada somente na organização de estados e a sucessão entre eles Busca informada Utiliza, também, informações a respeito do domínio
Leia mais1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador
1 Introdução 1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador possa resolver problemas de forma automática
Leia maisAprendizagem de Máquina. Prof. Júlio Cesar Nievola PPGIA - PUCPR
Aprendizagem de Máquina Prof. Júlio Cesar Nievola PPGIA - PUCPR Introdução Justificativa Recente progresso em algoritmos e teoria Disponibilidade crescente de dados online Poder computacional disponível
Leia maisIntrodução à Inteligência Artificial MAC MAC 415. Exercício Programa 1 Busca
Introdução à Inteligência Artificial MAC 5739 - MAC 415 006 Exercício Programa 1 Busca Data de Divulgação: 6 de agosto Data de Entrega: 6 de setembro 1 Objetivo Implementar os algoritmos de busca em Inteligência
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Aula 1 Alessandro L. Koerich Introdução Mestrado em Informática Aplicada Pontifícia Universidade Católica do Paraná (PUCPR) Introdução à Aprendizagem de Máquina Por
Leia maisMP-DRAUGHTS - UM SISTEMA MULTIAGENTE DE APRENDIZAGEM AUTOMÁTICA PARA DAMAS BASEADO EM REDES NEURAIS DE KOHONEN E PERCEPTRON MULTICAMADAS
UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE CIÊNCIA DA COMPUTAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO MP-DRAUGHTS - UM SISTEMA MULTIAGENTE DE APRENDIZAGEM AUTOMÁTICA PARA DAMAS BASEADO
Leia maisProf. Dr. Jarley Nóbrega
Prof. Dr. Jarley Nóbrega http://jarley.com jpn@jarley.com Inteligência Artificial 2019.1 Programa da Disciplina 2018.2 I - Introdução Histórico Conceitos Paradigmas de raciocínio em IA Conceito de Agentes
Leia maisInteligência Artificial Projecto 1
Bantumi ESPECIFICAÇÕES O projecto destina-se a resolver um conjunto de problemas do jogo Bantumi utilizando métodos de procura em espaço de estados. Bantumi é um jogo derivado do jogo Mancala de origem
Leia maisAprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
Leia maisSeleção de Atributos 1
Seleção de Atributos 1 Tópicos Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Seleção de atributos antes do aprendizado Benefícios Abordagens automáticas
Leia maisINTELIGÊNCIA COMPUTACIONAL
Rafael D. Ribeiro, M.Sc. rafaeldiasribeiro@gmail.com http://www.rafaeldiasribeiro.com.br A Inteligência Computacional (IC), denominada originalmente de Inteligência Artificial (IA), é uma das ciências
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia maisGRADE CURRICULAR E CORPO DOCENTE. Fase 1 Carga horária total: 360h
Ciência da Computação CÂMPUS LAGES Instrumentos Regulatórios (Resolução CEPE e CONSUP ou Portaria de reconhecimento do curso pelo MEC) RESOLUÇÃO CEPE/IFSC Nº 39, DE 13 DE AGOSTO DE 2014. RESOLUÇÃO CONSUP/IFSC
Leia maisInteligência Artificial. Aula 1 Prof. Nayat Sánchez Pi
Inteligência Artificial Aula 1 Prof. Nayat Sánchez Pi Curso: Inteligência Artificial Página web: http://nayatsanchezpi.com Material: Livro texto: Inteligência Artiicial, Russell & Norvig, Editora Campus.
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 01 Introdução, motivação e áreas de aplicação Prof. Max Pereira Neurônio de McCulloch-Pitts Warren
Leia maisAprimorando o Processo de Aprendizagem e Alocação de Agentes Inteligentes em Plataformas Multiagentes - Aplicação no Domínio do Jogo de Damas
Aprimorando o Processo de Aprendizagem e Alocação de Agentes Inteligentes em Plataformas Multiagentes - Aplicação no Domínio do Jogo de Damas Valquíria Aparecida R osa Duarte U niversidade F ederal de
Leia maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisResumo. Como um agente busca de seqüência de ações para alcançar seus objetivos.
Resumo Inteligência Artificial Russel e Norvig Capítulos 3,4 e 5 Prof. MsC Ly Freitas UEG Resolução de problemas por meio de busca Como um agente busca de seqüência de ações para alcançar seus objetivos.
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisInteligência Artificial
Figura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall. Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Pós-Graduação
Leia maisInteligência Artificial
Inteligência Artificial Fabrício Olivetti de França 07 de Junho de 2018 1 Agentes 2 Agente, Ambiente e Sensores Um agente é definido pelo ambiente que ele consegue perceber através de seus sensores e as
Leia maisD-MA-Draughts: Um sistema multiagente jogador de damas automático que atua em um ambiente de alto desempenho
UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE COMPUTAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO D-MA-Draughts: Um sistema multiagente jogador de damas automático que atua em um ambiente de
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia maisCTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa. Prof. Paulo André Castro
CTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa Prof. Paulo André Castro pauloac@ita.br www.comp.ita.br/~pauloac Sala 110, IEC-ITA Sumário Busca Competitiva Para Ambientes multiagentes...
Leia maisAnálise e balanceamento das mecânicas de jogos PROPOSTA DE TRABALHO DE GRADUAÇÃO
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Análise e balanceamento das mecânicas de jogos PROPOSTA DE TRABALHO DE GRADUAÇÃO Aluno: Jorge Vinícius Diniz
Leia maisAplicação de Sistemas de Partículas e Smoothed Particle Hydrodynamics na Simulação de Regiões Espaço-Tempo Afetadas por Singularidades
Aplicação de Sistemas de Partículas e Smoothed Particle Hydrodynamics na Simulação de Regiões Espaço-Tempo Afetadas por Singularidades Autor: Douglas Farias Cordeiro, Orientadora: Celia A. Zorzo Barcelos
Leia maisInteligência Artificial
Inteligência Artificial Apresentação da disciplina Conceitos básicos Prof. Paulo Martins Engel Informática UFRGS Prof. Paulo Martins Engel Objetivos Apresentar uma visão geral da Inteligência Artificial,
Leia maisProfessor: Paulo Adolfo Kepler (Zé)
Professor: Paulo Adolfo Kepler (Zé) INTRODUÇÃO Caro aluno! Você acaba de ingressar no fascinante mundo do Xadrez, o jogo de tabuleiro mais praticado no mundo. Você estará no comando de um poderoso exército,
Leia maisAprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
Leia maisPROCESSO SELETIVO N 42/2019 PROVA 2 - CONHECIMENTOS ESPECÍFICOS
PROCESSO SELETIVO N 42/2019 PROVA 2 - CONHECIMENTOS ESPECÍFICOS LEIA ATENTAMENTE AS INSTRUÇÕES ABAIXO 1. Você recebeu do fiscal o seguinte material: (a) Este caderno, com o enunciado das 20 (vinte) questões
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 01 Introdução, motivação e áreas de aplicação Prof. Max Pereira O futuro, das máquinas inteligentes,
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 17 Support Vector Machines (SVM) Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor
Leia maisRedes Neurais Artificiais Aplicadas ao Jogo da Velha 3D em Pinos
Redes Neurais Artificiais Aplicadas ao Jogo da Velha 3D em Pinos TCC - Jan/09 Daniel Tré - ISTCCP Redes Neurais Artificiais Aplicadas ao Jogo da Velha 3D em Pinos p. 1/2 O que são Redes Neurais Artificiais
Leia maisOs problemas de IA empregam heurísticas, basicamente, em duas situações:
Figura: Capa do Livro Hamburger, H., Richards, D. Logic and Language Models for Computer Science, Prentice Hall. Universidade Federal de Campina Grande Departamento de Sistemas e Computação Curso de Bacharelado
Leia maisEx. 1) Considere que a árvore seguinte corresponde a uma parte do espaço de estados de um jogo de dois agentes: f=7 f=7 f=1 f=2
LERCI/LEIC Tagus 2005/06 Inteligência Artificial Exercícios sobre Minimax: Ex. 1) Considere que a árvore seguinte corresponde a uma parte do espaço de estados de um jogo de dois agentes: Max Min f=4 f=7
Leia mais15/03/2018. Professor Ariel da Silva Dias Modelos de Processo de Software
Professor Ariel da Silva Dias Modelos de Processo de Software Conjunto de atividades que leva à produção de um produto de Software [Sommerville,2011]; Podemos contar com ferramentas de apoio com o objetivo
Leia maisAlgoritmos genéticos Abordagem unificada de algoritmos evolutivos simples
Introdução Inspiração biológica Histórico da computação evolutiva Algoritmo evolutivo simples Programação evolutiva Estratégias evolutivas Algoritmos genéticos Abordagem unificada de algoritmos evolutivos
Leia mais