Aplicación de algoritmos de Reinforcement Learning en el juego Colonos de Catán.

Abstract

El proyecto de grado tiene como objetivo analizar y comparar los mejores algoritmos de aprendizaje reforzado en el contexto del popular juego de mesa Catan. El aprendizaje reforzado es una rama de la inteligencia artificial que se enfoca en cómo los agentes pueden aprender a tomar decisiones óptimas a través de la interacción con un entorno.

En este proyecto, se considera el juego de mesa Catan debido a su naturaleza estratégica y a las múltiples decisiones que los jugadores deben tomar durante el transcurso del juego. El Catan es un juego de mesa que simula la colonización de una isla, donde los jugadores deben recolectar recursos, construir carreteras, establecer asentamientos y gestionar su economía para obtener puntos de victoria.

El análisis comparativo se llevará a cabo mediante la implementación y evaluación de varios algoritmos de aprendizaje reforzado. Estos algoritmos incluirán métodos clásicos como Q-learning,Proximal Policy Optimization (PPO), Monte Carlo Tree Search (MCTS), y Deep Q-learning. Cada algoritmo se ajustará y entrenará utilizando un entorno de simulación del juego de Catan.

Los resultados de este proyecto proporcionarán una comparativa detallada de los algoritmos de aprendizaje reforzado en el contexto del juego de mesa Catan. Esto permitirá identificar los enfoques más efectivos para la toma de decisiones estratégicas en el juego, así como brindar insights sobre cómo los algoritmos de aprendizaje reforzado pueden aplicarse a otros juegos y problemas similares.