Estrategias heurísticas para el ajedrez

Abstract

En aquest projecte es farà l’estudi, el anàlisi i el disseny de diferents algoritmes de cerca heurística per el joc del escacs, entre els quals es troben dos tipus de estratègia computacional. Per una banda la força bruta, on trobem l’algoritme de Minimax, per el que es dissenyen heurístiques adequades al problema (joc), i també la poda alfa-beta, una millora de l’algoritme Minimax. Per altre banda tenim l’algoritme Monte Carlo Tree search que incorpora la aleatorietat i la estadística per trobar la millor jugada encara que no trobi la solució més optima. Posteriorment es passarà a implementar els algoritmes en Python, per avaluar i comparar el grau d’èxit de cada un de les solucions plantejats. Es dissenyaran un conjunt de proves per comparar les decisions al jugar màquina contra màquina i màquina contra humà.

En este proyecto se hará el estudio, el análisis y el diseño de diferentes algoritmos de búsqueda heurística para el juego del ajedrez, entre los cuales se encuentran dos tipos de estrategia computacional. Por un lado, la fuerza bruta, donde encontramos el algoritmo de Minimax, para el que se diseñan heurísticas adecuadas al problema (juego), y también la poda Alfa-Beta, una mejora del algoritmo Minimax. Por otro lado, tenemos el algoritmo de Monte Carlo Tree Search que incorpora la aleatoriedad y la estadística para encontrar la mejor jugada aunque puede que no encuentre la solución óptima. Posteriormente se pasará a implementar los algoritmos en Python, para evaluar y comparar el grado de éxito de cada una de las soluciones planteadas. Se diseñarán un conjunto de pruebas para comparar las decisiones al jugar máquina contra máquina y máquina contra humano.

In this project, the different heuristic search algorithms for chess will be studied, analyzed and designed, among which there are two types of computational thinking. On the one hand, brute force, where we find the Minimax algorithm, for which appropriate heuristics are designed for the problem (game), and also Alpha-Beta pruning, an improvement on the Minimax algorithm. On the other hand, we have the Monte Carlo Tree Search algorithm that incorporates randomness and statistics to find the best play although it may not find the optimal solution. Afterwards, the algorithms will be implemented in Python, to evaluate and compare the degree of success of each of the proposed solutions. A set of tests will be designed to compare the decisions when playing machine against machine and machine against human.