Submitted by Lucelia Lucena (lucelia.lucena@ufpe.br) on 2015-03-06T19:46:46Z No. of bitstreams: 2 DISSERTAÇÃO Denys Lins de Farias.pdf: 1587908 bytes, checksum: 56b81933533aed8f8d9f5f11c66976e1 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-06T19:46:47Z (GMT). No. of bitstreams: 2 DISSERTAÇÃO Denys Lins de Farias.pdf: 1587908 bytes, checksum: 56b81933533aed8f8d9f5f11c66976e1 (MD5) license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Previous issue date: 2014-09-04 / A diversão dos jogos digitais está relacionada com a proposição de níveis adequados de desafios, para que o jogador não se frustre com desafios muito difíceis, nem fique entediado com desafios muito fáceis. As soluções propostas na literatura para este problema, chamado de Ajuste Dinâmico de Dificuldade (Dynamic Difficulty Adjustment, DDA), utilizam agentes adaptativos que buscam adequar seu comportamento às capacidades do jogador humano contra quem jogam. Algumas técnicas (aprendizagem por reforço, algoritmos genéticos, Dynamic Scripting) podem ser adaptadas para que o agente atue de forma sub-ótima, isto é, que ele jogue menos bem diante de um jogador humano pouco experiente ou pouco habilidoso. Porém, quando se enfrenta jogadores muito experientes ou habilidosos, tais agentes não conseguem atuar no nível do jogador. Estas técnicas podem ser vistas, simplificadamente, como sistemas de regras condição-ação em que se pode aprender os pesos de tais regras ou criar novas regras. Nessa estrutura, existe uma classe de algoritmos de aprendizagem online, os chamados Sistemas Classificadores (SCs), que permite tanto aprender pesos de regras quanto criar novas regras, mas que, até onde sabemos, ainda não foi utilizada em DDA. Diante deste cenário, o objetivo deste trabalho foi de avaliar a aplicabilidade de SC a DDA. Como sabemos que SC, a exemplo de Dynamic Scripting, pode ser facilmente adaptada para ter um desempenho subótimo, nós nos focamos em avaliar se SC poderia ter uma competência melhor do que os outros, em particular do que aprendizagem por reforço, a melhor das técnicas em avaliação anterior. Para tanto, tivemos de enfrentar o conhecido problema da parametrização dos SCs, e o fizemos utilizando a técnica de otimização F-Race, o que gerou dois agentes baseados em SCs com parâmetros diferentes. Como caso de estudo, adotamos o jogo de luta em tempo real Knock’em, utilizado em outros trabalhos. Conduzimos um experimento para avaliar a competência entre os agentes baseados em SCs e um baseado em Q-Learning, contra agentes de comportamento aleatório e previsível. Os resultados indicaram que o agente parametrizado pelo F-Race obteve melhor desempenho que o agente de referência contra oponente previsível, perdendo contra o agente de comportamento aleatório. Verificamos a viabilidade do uso de SCs em DDA, em uma série de partidas, na qual o agente operou no nível dos oponentes, mas apresentou razoável variação nos resultados. Realizamos mais um experimento entre o agente proposto parametrizado pelo F-Race e o baseado em Q-Learning, contando com avaliação quantitativa e qualitativa. Ambos agentes apresentaram bons resultados, com o agente de referência obtendo maior vantagem inicial, porém os jogadores foram capazes de reverter a situação ao longo do experimento.