Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / The goal of this work is to present MP-Draughts (MultiPhase- Draughts), that is
a multiagent environment for Draughts, where one agent - named IIGA- is built and
trained such as to be specialized for the initial and the intermediate phases of the games
and the remaining ones for the final phases of them. Each agent of MP-Draughts is a
neural network which learns almost without human supervision (distinctly from the world
champion agent Chinook). MP-Draughts issues from a continuous activity of research
whose previous product was the efficient agent VisionDraughts. Despite its good general
performance, VisionDraughts frequently does not succeed in final phases of a game, even
being in advantageous situation compared to its opponent (for instance, getting into
endgame loops). In order to try to reduce this misbehavior of the agent during endgames,
MP-Draughts counts on 25 agents specialized for endgame phases, each one trained such
as to be able to deal with a determined cluster of endgame boardstates. These 25 clusters
are mined by a Kohonen-SOM Network from a Data Base containing a large quantity of
endgame boardstates. After trained, MP-Draughts operates in the following way: first,
an optimized version of VisionDraughts is used as IIGA; next, the endgame agent that
represents the cluster which better fits the current endgame board-state will replace it up
to the end of the game. This work shows that such a strategy significantly improves the
general performance of the player agents. / O objetivo deste trabalho é propor um sistema de aprendizagem de Damas, o MPDraughts
(MultiPhase- Draughts): um sistema multiagentes, em que um deles - conhecido
como IIGA (Initial/Intermediate Game Agent)- é desenvolvido e treinado para ser especializado
em fases iniciais e intermediárias de jogo e os outros 25 agentes, em fases finais.
Cada um dos agentes que compõe o MP-Draughts é uma rede neural que aprende a jogar
com o mínimo possível de intervenção humana (distintamente do agente campeão do
mundo Chinook). O MP-Draughts é fruto de uma contínua atividade de pesquisa que
teve como produto anterior o VisionDraughts. Apesar de sua eficiência geral, o Vision-
Draughts, muitas vezes, tem seu bom desempenho comprometido na fase de finalização
de partidas, mesmo estando em vantagem no jogo em comparação com o seu oponente
(por exemplo, entrando em loop de final de jogo). No sentido de reduzir o comportamento
indesejado do jogador, o MP-Draughts conta com 25 agentes especializados em final de
jogo, sendo que cada um é treinado para lidar com um determinado tipo de cluster de
tabuleiros de final de jogo. Esses 25 clusters são minerados por redes de Kohonen-SOM
de uma base de dados que contém uma grande quantidade de estado de tabuleiro de final
de jogo. Depois de treinado, o MP-Draughts atua da seguinte maneira: primeiro, uma
versão aprimorada do VisionDraughts é usada como o IIGA; depois, um agente de final
de jogo que representa o cluster que mais se aproxima do estado corrente do tabuleiro do
jogo deverá substituir o IIGA e conduzir o jogo até o final. Este trabalho mostra que essa
estratégia melhorou, significativamente, o desempenho geral do agente jogador. / Mestre em Ciência da Computação
| Identifer | oai:union.ndltd.org:IBICT/urn:repox.ist.utl.pt:RI_UFU:oai:repositorio.ufu.br:123456789/12478 |
| Date | 17 July 2009 |
| Creators | Duarte, Valquíria Aparecida Rosa |
| Contributors | Julia, Rita Maria da Silva, Yamanaka, Keiji, Silva, Ivan Nunes da |
| Publisher | Universidade Federal de Uberlândia, Programa de Pós-graduação em Ciência da Computação, UFU, BR, Ciências Exatas e da Terra |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Repositório Institucional da UFU, instname:Universidade Federal de Uberlândia, instacron:UFU |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0021 seconds