UMA ESTRATÉGIA MÍNIMA DE TREINAMENTO PARA JOGAR FLAPPY INDEFINIDAMENTE COM NEAT

Abstract

Um grande número de algoritmos para gerar comportamentos de agentes em jogos foi desenvolvido nos últimos anos. A maioria deles é baseada em técnicas de Inteligência Artificial (IA) que precisam de um estágio de treinamento. Neste contexto, este trabalho propõe uma estratégia mínima de treinamento para o desenvolvimento de jogadores virtuais autônomos, usando o algoritmo neuroevolutivo NEAT para desenvolver agentes capazes de jogar o jogo Flappy Bird. A NEAT foi usada para encontrar a arquitetura de rede neural mais simples que pode executar perfeitamente o jogo. A modelagem dos cenários e a função de condicionamento físico foram definidos para garantir uma representação adequada do problema em comparação com o jogo real. A função fitness é uma média ponderada com base em vários cenários e componentes específicos do cenário. Combinando a estratégia mínima de treinamento, uma aptidão representativa e a NEAT, o algoritmo teve um tempo de convergência curto (em torno de 20 gerações), com uma rede de baixa complexidade e alcançou o comportamento perfeito no jogo. Esse resultado abre uma perspectiva para uma possível utilização dessa estratégia de particionamento em cenários menores, e assim menos complexos, na solução de problemas mais robustos, cujo grau de dificuldade é bem maior, como por exemplo o próprio StarCraft, que é um jogo de estratégia em tempo real, estruturado na aquisição e controle de recursos.