Bienvenido a la Lección 3 de Conceptos de Inteligencia Artificial (PolyU COMP5511). En esta sesión, pasamos de la búsqueda de rutas de un solo agente a Búsqueda Adversaria, donde los agentes operan en entornos multi-agente competitivos. También introducimos Problemas de Satisfacción de Restricciones (CSPs), un paradigma donde el objetivo es encontrar un estado que satisfaga un conjunto específico de restricciones en lugar de una ruta.
Conceptos Clave
- Búsqueda Adversaria: Se enfoca en algoritmos como Minimax y Poda Alfa-Beta para tomar decisiones racionales contra un oponente inteligente.
- Búsqueda de Árbol Monte Carlo (MCTS): Explora la toma de decisiones probabilística, sirviendo como la base para IAs de juegos modernas como AlphaGo.
- Satisfacción de Restricciones: Modela problemas usando Variables, Dominios y Restricciones, resueltos mediante Backtracking y Búsqueda Local.
Análisis de Complejidad
En entornos adversarios, la complejidad del espacio de búsqueda a menudo se define por el factor de ramificación del juego
Advertencia de Cambio de Paradigma
A diferencia de la búsqueda estándar (por ejemplo, A* o BFS) donde el entorno es estático, Búsqueda Adversaria asume que el entorno (el oponente) intenta activamente minimizar tu éxito. En los CSPs, el orden de las acciones importa menos que la validez de la asignación final.
Pseudocódigo Conceptual: Tipos de Agente
1
# Agente Adversario (Teoría de Juegos)
2
functionDecide_Move( state):
3
returnMaximize_Utility( Predict_Opponent_Minimization( state))
4
5
# Solucionador CSP (Lógica de Restricciones)
6
functionSolve_CSP( variables, constraints):
7
ifAll_Constraints_Satisfied( assignment):
8
returnassignment
9
else:
10
returnBacktrack_Search( variables )
Hoja de Ruta del Curso
Transición de la Búsqueda (Lección 2) a la Toma de Decisiones Estratégicas (Lección 3).