2.1.5 AI/Búsqueda Adversarial y Optimización Estocástica

Temas:
Core

• Juegos adversariales de dos jugadores:
  1. Búsqueda minimax
  2. Poda alfa-beta:
     1. Corte por profundidad

Non Core

• Búsqueda local
• Búsqueda tabú
• Juegos adversariales de dos jugadores:
  1. El efecto horizonte
  2. Libros de apertura/soluciones de finales
  3. Qué significa "resolver" un juego (por ejemplo, damas)
• Implementación de búsqueda minimax, búsqueda en haz
• Búsqueda expectimax (resolución MDP) y nodos de azar
• Búsqueda estocástica:
  1. Recocido simulado
  2. Algoritmos genéticos
  3. Búsqueda en árbol Monte Carlo

Aprendizaje esperado (Learning Outcomes):
Core:

1. Aplicar búsqueda minimax en un juego adversarial de dos jugadores (por ejemplo, conecta 4), usando evaluación heurística en una profundidad particular para calcular las puntuaciones a propagar [Aplicar]
2. Aplicar búsqueda minimax con poda alfa-beta para podar el espacio de búsqueda en un juego adversarial de dos jugadores (por ejemplo, conecta 4) [Aplicar]
3. Comparar y contrastar algoritmos genéticos con técnicas de búsqueda clásicas, explicando cuándo es más apropiado usar un algoritmo genético para aprender un modelo versus otras formas de optimización (por ejemplo, descenso de gradiente) [Evaluar]

NonCore:

1. Diseñar e implementar una solución de algoritmo genético para un problema [Aplicar]
2. Diseñar e implementar un programa de recocido simulado para evitar mínimos locales en un problema [Aplicar]