Aplicació d’algoritmes d’intel·ligència artificial per al desenvolupament d’agents per als jocs de cartes “Brisca” i “Tute”

Abstract

La Brisca i el Tute són dos jocs de cartes estratègics amb informació imperfecta que no compten amb estudis previs en l'àmbit de l'aprenentatge computacional, però que són prou interessants i presenten un especial interès en el camp de l'aprenentatge automàtic per la seva basant estratègica. La investigació se centra en el desenvolupament d'agents capaços d'aprendre a jugar als dos jocs utilitzant tècniques d'aprenentatge supervisat (xarxes neuronals), aprenentatge genètic i aprenentatge per reforç, i abasta des de la implementació de l'entorn i la interfície gràfica d'usuari fins a l'entrenament dels models utilitzant diferents enfocaments per a cada tècnica. Es detallen els models i resultats obtinguts junt amb una anàlisi qualitativa sobre la capacitat d'aprenentatge de cada tècnica i del rendiment dels models obtinguts per jugar als jocs. Es discuteixen les fortaleses i debilitats de les diferents tècniques i enfocaments, es detallen les limitacions trobades durant l'entrenament, i s'especifiquen possibles àrees de millora i futures vies d'investigació per a continuar avançant en l'estudi de l'aprenentatge computacional aplicat a jocs de cartes estratègics amb informació imperfecta. Al final de la investigació, jugadors experimentats s'han enfrontat als diferents models obtinguts i han guanyat gairebé la totalitat de les partides contra els agents entrenats per reforç i el genètic, però ha estat més igualat quan s'han enfrontat als models supervisats. Els models obtinguts encara tenen molt marge de millora i queda molt per investigar en aquest camp.

Brisca and Tute are two strategic card games with imperfect information that have not been studied in the computational learning field, but they are quite interesting and have special interest in machine learning field for their strategic base. This research focuses on the development of agents capable of learning to play both games using supervised learning techniques (neural networks), genetic algorithms and reinforcement learning, and it covers from the environment and graphical user interface development to the training of models using different approaches for each technique. Models and results are detailed along a qualitatvie analysis of the learning capability of each technique and the models' performance playing the games. The strenghts and weaknesses of each technique and approachment are discussed, the limitations found during the training are detailed, and possible areas of improvement and future research directions are identified to continue advancing in computational learning applied to strategic card games with imperfect information. At the end of this research, experienced players have faced the different obtained models and won almost all matches against reinforcement and genetic trained agents, but it was more balanced when they faced supervised models. The obtained models still have a lot of room to improve and there is much more to investigate in this field.