Um player para General Game Playing baseado em busca em árvores de Monte Carlo

Neste trabalho será abordado o tópico de General Game Playing (GGP) que é uma subárea da Inteligência Artificial, e consiste em desenvolver formas de modelar e resolver jogos de modo genérico. O objetivo principal deste trabalho é desenvolver um agente jogador de General Game Playing, capaz de jogar jogos arbitrários modelados na linguagem de Game Description Language (GDL), os quais nunca tenha se deparado anteriormente, mas ainda assim escolhendo movimentos válidos e apresentando um nível de jogo convincente, ou seja, que não faça escolhas aleatórias de movimentos. O agente desenvolvido neste trabalho, implementado em uma camada acima de um conhecido arcabouço de GGP é capaz de jogar com um ser humano e com outros agentes de GGP. Para verificar se de fato o agente desenvolvido possui as habilidades requeridas em GGP, foram executados testes, consistindo de partidas entre os agentes, de diversos jogos. Diferentes métodos de escolha de movimentos e variadas configurações das constantes envolvidas na implementação foram experimentadas, a fim de investigar a consequência da variação destes componentes. O agente jogador de GGP desenvolvido neste trabalho apresentou um comportamento satisfatório, pois foi capaz de jogar os diversos jogos que lhe foram apresentados cometendo somente 0,27% de movimentos ilegais dentre todos os movimentos que executou. Assim, neste trabalho foi possível obter um agente jogador capaz de jogar corretamente jogos que nunca havia presenciado antes.In this work the subject is the General Game Playing topic which is a subarea of Artificial Inteligence, that consist of developing ways to modelate and solve any game. The main goal of this work is developing an agent of General Game Playing, which can play arbitrary games modeled in Game Description Language, games that the agent has never seen before, still choosing valid moves. The developed agent in this work, implemented over a layer above a GGP base code is capable of playing against a human or other GGP agents. To check if in fact the agent has the required skills for GGP, tests were runned, which was matches between the agents, of several games. Several move picking methods and several constant configurations were experimented to investigate de consequence of varying these components. The GGP agent developed in this work reached a good behavior, because it was capable of playing several games with only 0,27% of ilegal move rate. Therefore, in this work it was possible to obtain an agent capable of playing correctly games that it has never played before