Bienvenido a la Lección 3 de Conceptos de Inteligencia Artificial (PolyU COMP5511). En esta sesión, pasamos de la búsqueda de caminos de un solo agente a la Búsqueda Adversarial, donde los agentes operan en entornos multiagente competitivos. También presentamos los Problemas de Satisfacción de Restricciones (CSPs), un paradigma cuyo objetivo es encontrar un estado que satisfaga un conjunto específico de restricciones en lugar de una ruta.
Conceptos Fundamentales
- Búsqueda Adversarial: Se centra en algoritmos como Minimax y Poda Alfa-Beta para tomar decisiones racionales frente a un oponente inteligente.
- Búsqueda en Árbol de Monte Carlo (MCTS): Explora la toma de decisiones probabilística, siendo el pilar de las IA de juegos modernas como AlphaGo.
- Satisfacción de Restricciones: Modela problemas mediante Variables, Dominios y Restricciones, resueltos con Retroceso (Backtracking) y Búsqueda Local.
Análisis de Complejidad
En entornos adversariales, 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 (p. ej., A* o BFS), donde el entorno es estático, Búsqueda Adversarial 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 Agentes
1
# Adversarial Agent (Game Theory)
2
functionDecide_Move(state):
3
returnMaximize_Utility(Predict_Opponent_Minimization(state))
4
5
# CSP Solver (Constraint Logic)
6
functionSolve_CSP(variables, constraints):
7
ifAll_Constraints_Satisfied(assignment):
8
returnassignment
9
else:
10
returnBacktrack_Search(variables)
Course Roadmap
Transitioning from Search (Lesson 2) to Strategic Decision Making (Lesson 3).