Cenário 4: avaliação das escolhas de movimentos das ver­ sões do MP-Draughts contra seus oponentes sob a pers­

pectiva do Cake

Este cenário compara os movimentos executados pelos agentes não supervisionados MP-Draughts (ambas as versões), VisionDraughts e LS-VisionDraughts com os que se­ riam executados pelo jogador supervisionado Cake na mesma situação. Esta comparação mostra a coincidência de raciocínio, indicada pelos movimentos coincidentes, de cada um dos agentes não supervisionados aqui avaliados em relação ao Cake na fase de final de jogo. Tais agentes não foram avaliados em jogos direto contra o Cake, pois os mesmos ainda não são competitivos contra agentes que contam com forte supervisão no processo de aprendizagem.

Para a execução deste cenário, foram considerados 6 dos 41 jogos executados no cenário

de avaliação de performance desses jogadores. A comparação foi feita em 6 jogos entre cada

umas das versões do MP-Draughts contra o VisionDraughts e contra o LS-VisionDraughts. Não foi possível avaliar todos os 41 jogos, visto que esta é uma tarefa manual e onerosa. Foram analisados todos os movimentos executados até a finalização do jogo.

A Tabela 24 apresenta os resultados da comparação feita entre ambas as versões do MP-Draughts em jogos contra o VisionDraughts. Ambas as versões obtiveram mais coinci­ dência de movimentos do que o VisionDraughts. A nova arquitetura do multiagente obteve 67% de movimentos coincidentes contra 41% de coincidência obtida pelo VisionDraughts. Já a versão original do multiagente obteve 62% de movimentos coincidentes contra 31% do VisionDraughts. A Tabela 25 apresenta os resultados da mesma comparação feita entre ambas as versões do MP-Draughts contra o LS-VisionDraughts. Novamente, ambas as versões do MP-Draughts obtiveram mais coincidência de movimentos quando comparados com o Cake do que o oponente. Enquanto a nova arquitetura do MP-Draughts obteve 57% de movimentos coincidentes, o LS-VisionDraughts obteve apenas 36%. Já a versão original obteve 52% contra 31% do LS-VisionDraughts.

Tabela 25 - Média de coincidência de movimentos executados por ambas as versões do MP-Draughts e pelo LS-VisionDraughts quando comparado com os movi­ mentos que seriam executados pelo Cake na mesma situação.

Jogos Média

M P — RN — RE x LS — VisionDraughts 57% 36%

M P — RN x LS — VisionDraughts 52% 31%

Os resultados obtidos neste cenário confirmam o seguinte: a boa capacidade de jogo do MP-Draughts, visto que suas escolhas de movimento coincidem, na maioria das vezes, com as escolhas de um agente eficiente e fortemente supervisionado; a superioridade do MP- Draughts em relação aos seus oponentes não supervisionados, uma vez que a coincidência de raciocínio do multiagente em relação ao raciocínio do Cake é maior do que a de seus oponentes e, por último, reafirmam que as regras de exceção são uma boa proposta para tratar as situações excepcionais de alocação da RN, uma vez que os agentes alocados por elas são mais eficientes do que os alocados pela RN para atuar nessas situações.

5.4 Considerações Finais

As duas principais contribuições apresentadas neste capítulo são: a utilização de regras de exceção para tratar situações especiais em que uma RN de agrupamento, quando utilizada como RN de classificação, não é capaz de desempenhar adequadamente seu papel e; a utilização dessas regras de exceção para refinar a capacidade de alocação de agentes em sistemas multiagentes, os quais utilizam RN para tal tarefa.

A primeira contribuição apresenta um método que extrai regras de exceção a partir de situações especiais que ocorrem na fase final do jogo de Damas, nas quais a RN utilizada para alocação dos agentes não desempenha adequadamente seu papel. A partir dos resul­ tados obtidos por este método foi possível verificar que as regras de exceção abstraíram os conhecimentos inerentes a essas situações, representando-as adequadamente. Analisando o método de extração de regras de uma maneira mais genérica, é possível observar que ele pode ser aplicado a outros problemas de classificação de dados envolvendo outras técnica de RNs, desde que nesses seja possível identificar, além das situações mal classificadas pela RN, qual seria a melhor classificação nessas situações. Note que o mesmo pode ser aplicado tanto para RN de classificação como de agrupamento de dados.

A segunda contribuição deste capítulo baseia-se no uso das regras de exceção para auxiliar na tarefa de alocação de agentes de um sistema multiagente, em situações em que a técnica de alocação utilizada não é suficientemente adequada para a tarefa. Nesse sentido, e aplicado ao domínio do jogo de Damas, o método proposto combina RNs de agrupamento com regras de exceção, as quais em conjunto definem os agentes adequados para atuarem nas diferentes situações que ocorrem na fase de final de jogo. Em tal

130

Capítulo 5. Aprimorando o Processo de Alocação de Agentes em Sistemas Multiagentes utilizando Regras de Exceção

método, cada vez que o multiagente precisa definir um agente para atuar no ambiente, a RN é responsável por abstrair as informações do ambiente e, com base nessas informações, indicar o agente mais adequado para a situação. Em complemento a indicação da RN, as regras de exceção são responsáveis por identificar se o ambiente em questão corresponde a uma situação de má atuação da RN e, caso afirmativo, é responsável por refinar a indicação da RN.

Diante dos resultados obtidos neste capítulo, o qual combina tais métodos para apri­ morar a capacidade de alocação de agentes do multiagente MP-Draughts, foi possível comprovar que, de fato, esses cumprem eficientemente a proposta, além de contribuírem para a performance geral do multiagente.

Capítulo

6