Disciplina Sistemas de Agentes Autónomos

O conceito de agente ou entidade autónoma é um foco central no desenvolvimento de videojogos, especialmente num contexto de Inteligência Artificial. Este conceito crucial é introduzido nesta disciplina neste contexto, em primeiro lugar utilizando formas de autoria ad-hoc (e.g., utilizando máquinas de estado e árvores de decisão), que dão uma ilusão de inteligência, embora limitada e reativa, avançando posteriormente para técnicas de procura, que já podem levar a decisões surpreendentes e inesperadas por parte dos agentes. A parte seguinte da disciplina é dedicada a três técnicas amplamente utilizadas nos videojogos, em particular aprendizagem por reforço, pathfinding e sistemas de planeamento por objectivos, que podem elevar a ilusão de agente inteligente a todo um outro nível. A disciplina termina abordando a combinação de várias técnicas (incluindo algumas lecionadas na disciplina Fundamentos de Aprendizagem de Máquina).

Não aplicável

Representação, utilidade e aprendizagem. Comportamentos ah-hoc de agentes: máquinas de estado finito, árvores de decisão, árvores de comportamento. Algoritmos de procura em árvores: conceitos de grafos e árvores; procura de caminhos: algoritmos Dijkstra e A*, normas/distâncias: Euclidiana e Manhattan; procura em jogos de tabuleiro: minimax, cortes alfa-beta, ordenação de movimentos, aprofundamento iterativo, tabelas de transposição; Monte Carlo Tree Search (MCTS). Aprendizagem de Reforço (TD-Learning) e Q-Learning.

A disciplina é teórico-prática, havendo uma alternância entre os métodos: ME1. Expositivos, na apresentação dos conceitos. ME2. Demonstrativos, na demonstração dos conceitos através de exemplos. ME3. Participativos, na resolução de problemas tendo como referência os exemplos apresentados, e na utilização de fichas de exercícios a resolver pelos alunos de forma autónoma em aula. ME4. Por pesquisa, no desenvolvimento em grupo de projetos.   A avaliação contínua é constituída pela realização de projetos ao longo do semestre, sendo que a componente final resulta em 90% da nota, no qual os ultimos 10% consiste na participação e assiduídade do aluno nas aulas. Avaliação consiste em três projetos práticos ao longo do semestre em que cada projeto vale 30% da nota final.

Millington, I. (2019). AI for Games (3rd ed.). CRC Press. Yannakakis, G. N., & Togelius, J. (2018). Artificial intelligence and games. Springer. Russel, S. and Norvig, P. (2021). Artificial Intelligence: A Modern Approach. Pearson Education Limited. Togelius, J. (2019). Playing smart: On games, intelligence, and artificial intelligence. MIT Press.