Investigación y Escritura

Academia

Escritura e investigación sobre ingeniería de software, IA, computación y cultura digital.

Artículos de Conferencia

Inteligencia artificial · October 2026

Búsqueda de árbol Monte Carlo: una revisión de desventajas, ventajas y limitaciones en juegos multijugador complejos

MCTS ganó prominencia tras sus éxitos en Go, Ajedrez y Shogi, pero la mayoría de los estudios se centran en juegos de dos jugadores con información perfecta. Este artículo analiza MCTS en juegos digitales y de mesa multijugador, que a menudo se caracterizan por información imperfecta. Basándose en 18 artículos seleccionados de 22 recuperados de IEEE Xplore, HAL Science Ouverte y Google Scholar (2013–2025), el estudio identifica tres limitaciones estructurales recurrentes: platóes computacionales, puntos ciegos en el razonamiento táctico y compensaciones en la modelización de oponentes.

Inteligencia Artificial · November 2025

Modelado de Oponentes para el Entrenamiento de Modelos Basados en Búsqueda Arbórea de Monte Carlo en el Juego de Mesa Citadels

Este trabajo investiga cómo el modelado de oponentes influye en el entrenamiento de un framework híbrido MCTS-RL aplicado al juego de mesa multijugador Citadels, que presenta información oculta, múltiples jugadores y restricciones de tiempo. La propuesta desacopla la planificación y la ejecución mediante una estructura de decisión persistente construida fuera de línea a partir de simulaciones, reduciendo el coste computacional en línea del MCTS. En un entorno de simulación con agentes expertos y un agente aleatorio, se comparan diferentes sesiones de entrenamiento (incluido un entorno variado) por tasa de victorias. Los resultados indican que la diversidad de estrategias en el entrenamiento tiende a producir un agente más robusto y generalista que el entrenamiento contra oponentes individualmente fuertes.

Tesis y Monografías

Inteligencia Artificial · 2025

Búsqueda Arbórea de Monte Carlo Persistente para Agentes en Entornos Complejos: Un Estudio de Caso en Citadels

La toma de decisiones en juegos multijugador con observabilidad parcial plantea desafíos significativos debido a la información oculta y los altos factores de ramificación. Este estudio presenta un framework de Búsqueda Arbórea de Monte Carlo (MCTS) persistente, diseñado para operar eficientemente en dichos entornos, utilizando el juego de mesa estratégico Citadels como caso de estudio. La contribución principal es el desacoplamiento entre la fase de construcción del árbol y la fase de aplicación: los árboles de decisión se generan fuera de línea mediante simulaciones del entorno, y las estadísticas relevantes se almacenan en forma tabular, permitiendo consultas rápidas durante la ejecución sin necesidad de simulaciones adicionales. La evaluación experimental demuestra que la exposición a oponentes diversos durante el entrenamiento produce modelos con estrategias robustas y generalizables, capaces de un rendimiento sólido en una amplia gama de escenarios de juego. En particular, los modelos entrenados en un entorno donde los oponentes se muestreaban estocásticamente superaron consistentemente a los entrenados contra un único tipo de oponente y mostraron un rendimiento estable a lo largo de las sesiones de entrenamiento. Estos hallazgos subrayan la efectividad de combinar MCTS con el almacenamiento persistente de conocimiento para producir agentes rápidos, fiables y adaptables en dominios complejos.