Pesquisa e Escrita

Academia

Artigos, pesquisas e escrita técnica sobre engenharia de software, inteligência artificial, computação e cultura digital.

Artigos de Conferência

Inteligência Artificial · November 2025

MODELAGEM DE OPONENTES PARA O TREINAMENTO DE MODELOS BASEADOS NA BUSCA EM ÁRVORE DE MONTE CARLO NO JOGO DE TABULEIRO CITADELS

Este trabalho investiga como a modelagem de oponentes influencia o treinamento de um framework híbrido MCTS-RL aplicado ao jogo de tabuleiro multiplayer Citadels, que apresenta informação oculta, múltiplos jogadores e restrições de tempo. A proposta desacopla o planejamento e a execução por meio de uma estrutura de decisão persistente construída offline a partir de simulações, reduzindo o custo computacional online do MCTS. Em um ambiente de simulação com agentes especialistas e um agente aleatório, diferentes sessões de treinamento (incluindo um ambiente variado) são comparadas pela taxa de vitória. Os resultados indicam que a diversidade de estratégias no treinamento tende a produzir um agente mais robusto e generalista do que o treinamento contra oponentes individualmente fortes.

Teses e Monografias

Inteligência Artificial · 2025

Busca em Árvore de Monte Carlo Persistente para Agentes Operando em Ambientes Complexos: Um Estudo de Caso em Citadels

A tomada de decisão em jogos multiplayer com observabilidade parcial apresenta desafios significativos devido à informação oculta e ao alto fator de ramificação. Este estudo introduz um framework de Busca em Árvore de Monte Carlo (MCTS) persistente, projetado para operar de forma eficiente nesses ambientes, utilizando o jogo de tabuleiro estratégico Citadels como estudo de caso. A principal contribuição é o desacoplamento entre a fase de construção da árvore e a fase de aplicação: as árvores de decisão são geradas offline por meio de simulações do ambiente, e as estatísticas relevantes são armazenadas em formato tabular, permitindo consultas rápidas durante a execução sem necessidade de simulações adicionais. A avaliação experimental demonstra que a exposição a oponentes diversificados durante o treinamento produz modelos com estratégias robustas e generalizáveis, capazes de obter desempenho elevado em uma ampla gama de cenários de jogo. Em particular, modelos treinados em um ambiente onde os oponentes eram amostrados estocasticamente superaram consistentemente aqueles treinados contra um único tipo de oponente e apresentaram desempenho estável entre diferentes execuções de treinamento. Esses resultados destacam a eficácia de combinar MCTS com armazenamento persistente de conhecimento para produzir agentes rápidos, confiáveis e adaptáveis em domínios complexos.