Sistema inteligente basado en computación evolutiva y redes de neuronas para juegos de bloques

Abstract

El objetivo de esta tesis fin de máster es explorar la utilización de técnicas de
computación evolutiva y redes de neuronas artificiales para el desarrollo de sistemas
inteligentes que resuelvan el problema aproximar la estrategia óptima en un juego de
bloques. Si bien estas ramas de la computación natural ya se han empleado
anteriormente en dicho problema, las redes de neuronas artificiales no han conseguido
resultados satisfactorios hasta el momento y tampoco se ha investigado la simbiosis
entre ambos tipos de técnicas. En esta tesis se proponen tres sistemas inteligentes que
calculan, de forma diferente, la estrategia óptima a seguir en un juego de bloques. El
sistema heurístico utiliza un esquema de búsqueda y evaluación, cuya función heurística
es optimizada mediante un algoritmo genético con codificación real. El sistema
neuronal emplea, en su lugar, redes de neuronas artificiales entrenadas mediante
aprendizaje supervisado. Finalmente, el sistema híbrido combina las ventajas de las dos
soluciones anteriores.---ABSTRACT---
The goal for this master’s thesis is to explore the application of evolutionary
computation and artificial neural networks in the development of intelligent systems
able to solve the problem of approximating the optimal strategy in a falling blocks
game. While methods from these natural computation subfields have already been used
for this problem, artificial neural networks have not achieved successful results until
now, and symbiosis between these two approaches has not been tried yet. Three
intelligent systems are proposed in this thesis. Each one of them computes, in a different
way, the optimal strategy in a falling blocks game. The heuristic system uses a searchand-
evaluation process, whose heuristic function is optimized through a real-coded
genetic algorithm. The neural system employs instead artificial neural networks trained
with supervised learning. Finally, the hybrid system combines the advantages of the two
previous solutions.