Uma Estratégia para Seleção de Agentes Heterogênos para o
Futebol de Robôs Simulado
∗Luciana Silva1, Marco A. C. Simões2
1Centro Universitário da Bahia (FIB)
Salvador – BA – Brasil
2Núcleo de Arquitetura de Computadores e Sistemas Operacionais (ACSO)
Universidade do Estado da Bahia (UNEB) – Salvador – BA – Brasil lucianapvs@gmail.com, msimoes@uneb.br
Abstract. This article describes the scientific and technical work developed in
the Coach Agent of the team Bahia2D in 2008. The Bahia2D occupies, at pre-sent, the second place in the Simulated Robotic Soccer 2D category of the Latin America RoboCup Open. In this period, the work carried out with the hete-rogeneous players, introduced in the team in 2007, was updated to attend the innovations of the simulator in his most current version. This work and his results will be described in this article.
Resumo. Este artigo descreve o trabalho técnico-científico desenvolvido no
Agente Técnico da equipe Bahia2D no período de 2008. O Bahia2D ocupa, atualmente, o segundo lugar na modalidade Futebol Simulado 2D da RoboCup América Latina. Neste período, o trabalho realizado com os jogadores hetero-gêneos, introduzido no time em 2007, foi atualizado para atender às inovações do simulador na sua versão mais atual. Este trabalho e seus resultados serão descritos neste artigo.
1. Introdução
A RoboCup (Robot World Cup Initiative), uma competição internacional de rôbos, pro-cura estimular as pesquisas nas áreas de Inteligência Artificial e Robótica propondo um problema real onde diversas tecnologias podem ser integradas, ela é dividida em quatro ligas: RoboCup Soccer, RoboCup Rescue, RoboCup@Home e RoboCup Junior [Kitano et al. 1995a, Kitano et al. 1995b]. A RoboCup Soccer, liga de maior destaque da competição, utiliza o futebol como problema padrão e possui cinco sub-ligas: Middle size league, Small size league, Standard plataform league, Simulation league e Humanoid league.
A Liga de Simulação é baseada em um simulador que permite a realização de par-tidas de futebol, em um campo virtual, entre agentes autônomos. Esta liga é subdividida em três categorias: Bidimensionada (2D), Tridimensionada (3D) e Realidade Mista (Mi-xed Reality - MR) que, assim como as duas anteriores, possui um campo simulado mas os agentes são representados por rôbos físicos. A 2D é uma das mais antigas da RoboCup e o seu principal objetivo é analisar as percepções que cada agente possui do ambiente e escolher quais ações irão ajudar a otimizar o desempenho da equipe.
O Técnico é uma peça importante em um time, durante o jogo, por ter uma visão privilegiada, pode avaliar o desempenho e comportamento de ambas equipes e desta forma aconselhar os seus jogadores quanto a partida. Na categoria de Simulação 2D, o time é formado por 12 agentes, 11 jogadores e 1 técnico. Assim como no mundo real, o papel do Técnico pode contribuir com o comportamento da equipe durante o jogo. Na sub-liga 2D, os agentes tem campo de visão e de comunicação limitado, e somente o Técnico, um tipo especial de agente, tem uma visão geral do jogo e pode se comunicar com qualquer jogador. Por receber informações privilegiadas, o técnico é capaz de analisar a partida como nenhum outro agente. Esta análise pode ajudar a definir a estratégia do time para o jogo.
Além de analisar a partida, uma outra tarefa reservada ao agente Técnico, na 2D, é a escalação inicial dos tipos heterogênos do time. Em 2001 foi introduzido o conceito de jogadores heterogêneos na liga de Simulação para focar, entre diversas outras áreas, na alocação dinâmica de recursos. A cada nova partida são gerados, pelo servidor, 18 tipos diferentes, 1 padrão e 17 heterogênos. Cada um deles possui características melhores ou piores que o tipo padrão. As características de um jogador influenciam o seu modo de jogo, por isso decidir qual tipo heterogêno combina com um determinado jogador ’e uma tarefa importante, um jogador com boas características mas na posição errada pode trazer péssimos resultados para a equipe.
Este artigo apresenta uma abordagem para o desenvolvimento de uma rotina que possibilite ao Agente Técnico realizar a escalação inicial dos jogadores do time Bahia2D, uma equipe de futebol róbotico da Liga de Simulação Bidimensionada da RoboCup, in-dependente do grupo de heterogêneos gerados pelo servidor.
2. A RoboCup e o Futebol de Robôs Simulado 2D
Procurando estimular as pesquisas nas áreas de Inteligência Artificial (IA) e Robótica, cientistas japoneses e americanos criaram, em 1996, uma competição de robôs, conhe-cida como RoboCup, utilizando o esporte mais popular do mundo, o futebol, como um problema padrão. Nesta competição várias tecnologias são aplicadas e testadas para a solução do problema como raciocínio em tempo real, colaboração multi-agente etc. [Kitano et al. 1995a]
Para promover as pesquisas foi lançado um objetivo a longo prazo:
No ano de 2050, um time de futebol de robôs humanóides autônomos será capaz de vencer um jogo de futebol, de acordo com as regras da FIFA, contra o campeão da Copa do Mundo mais recente.
No início a RoboCup era constituída por uma liga de simulação e uma demons-tração de robôs físicos da liga de porte médio. Atualmente se divide em 4 categorias, algumas com sub-categorias: RoboCup Soccer (a mais relevante, nela são realizadas com-petições de futebol de robôs divididas entre ligas de simulação e robôs físicos), RoboCup Rescue (também é dividida entre simulação e robôs físicos, a diferença é que nela os robôs são desenvolvidos para atuar em situações de busca e resgate de vítimas de desas-tres), RoboCup Junior (reservada para crianças e jovens com no máximo 19 anos que podem utilizar uma infra-estrutura simples para implementar robôs para disputarem com-petições de futebol, dança ou resgate) e RoboCup@Home (desenvolvimento de robôs que possam interagir e ajudar seres humanos nas tarefas de casa). [RoboCup 2009b]
A RoboCup Soccer possui 5 ligas, cada uma aborda diferentes desafios de inves-tigação colocando ênfase em determinados tópicos necessários para que os times possam competir:
• Simulation (Simulação): existe desde o início da RoboCup. Nesta liga, agentes autônomos jogam futebol em um campo virtual. Possui três sub-ligas, a 2D (Bidi-mensional), que será abordada com mais detalhes no artigo, 3D (Tridimensional) e Mixed Reality (Realidade Mista) que ao contrário das duas primeiras possui robôs físicos. As áreas de pesquisas mais abordadas nesta liga são as de aprendizagem de máquina e colaboração de multiagentes; [de Boer and Kok 2002]
• Small Size Robots (Robôs de Pequeno Porte): as partidas são realizadas em um campo físico com 6.05 m X 4.05 m de tamanho. Cada time pode ter no máximo 5 robôs, com até 18 cm de diâmetro e 20 cm de altura, em campo. A bola utilizada é similar a uma bola de golfe. O problema da cooperação multiagente e o controle inteligente dos rôbos são as principais áreas de pesquisa trabalhadas nesta liga; [de Boer and Kok 2002]
• Middle Size Robot (Robôs de Médio Porte): as partidas também são realiza-das em um campo físico só que maior, com 18 m X 8 m de tamanho, os robôs podem ter até 50 cm de diâmetro e 75 cm de altura, e cada time pode ter no máximo 6 em campo. Os campos de pesquisa mais importantes para esta categoria são a visão, controle de sensores, localização e problemas de hardware[RoboCup 2009b, de Boer and Kok 2002];
• Standard Platform (Plataforma Padrão): todos os robôs são idênticos, assim resta aos times trabalhar no desenvolvimento do software que irá comandá-los. Aborda o controle inteligente de robôs e intrepretação de informações sensoriais como áreas de pesquisa[]. Atualmente esta liga utiliza robôs humanóides NAO fabrica-dos pela Aldebaran[Mayer et al. 2007, AldebaranRobotics 2009].
• Humanoid (Robôs Humanóides): possui duas sub-ligas, a Kid-size (robôs com altura entre 30 e 60 cm) e Teen-size (robôs entre 65 e 130 cm). Um dos desafios desta liga é conseguir com que os robôs mantenham o equilíbrio ao correr ou chutar[Asada et al. 2006, RoboCup 2009a].
2.1. Futebol de Robôs Simulados 2D
Uma das grandes preocupações da categoria de simulação da RoboCup é a de desenvolver o comportamento e o raciocínio dos robôs sem se preocupar com os problemas relacio-nados a reconhecimento de objetos, movimentação dos robôs e outras dificuldades do mundo real.
A categoria é baseada em um simulador chamado Soccer Server, um sistema que possibilita que agentes autônomos (programas implementados em várias linguagens) jo-guem uma partida de futebol. A simulação apresenta várias características presentes no mundo real, exceto pela terceira dimensão[Chen et al. 2003].
O simulador utiliza uma arquitetura de comunicação cliente-servidor, onde o pró-prio simulador é o servidor e os clientes são os agentes de cada equipe. A comunicação é feita utilizando sockets UDP/IP, cada cliente é um processo separado e se conecta ao servidor através de uma porta individual. Após realizada a conexão, todas as mensagens serão enviadas e recebidas através desta porta[Noda et al. 1998].
A unidade de tempo mínima do simulador é de um ciclo, correspondente a 100 ms, assim cada agente deve analisar a situação de mundo atual, de acordo com um algoritmo pré-estabelecido pelos programadores do time, e neste intervalo de tempo a ação que melhor se adapta a esta situação. Uma partida completa dura 6000 ciclos.
As equipes podem ter até 12 clientes em cada jogo, 11 jogadores e um técnico. Os jogadores enviam ao servidor informações sobre a ação que desejam executar (chutar a bola, força do chute, girar o corpo etc.), este recebe as mensagens, processa as infor-mações e atualiza o ambiente. A cada atualização, o servidor irá enviar para os clientes informações sensoriais ou percepções[Noda et al. 1998].
O simulador é composto por três módulos: o simulador do campo (responsável por calcular os movimentos dos objetos e checar colisões durante o jogo), da comunicação (responável por coordenar o trânsito de mensagens) e do árbitro (responsável por controlar o jogo e regular o seu fluxo através de várias decisão que são tomadas baseadas nas regras do jogo), como mostra a figura 1[Noda et al. 1998].
Figura 1. Arquitetura do sistema de simulação
2.2. Bahia2D
Em 2006, o Bahia Robotics Team (BRT), formado pelo Núcleo de Arquitetura de Compu-tadores e Sistemas Operacionais (ACSO/UNEB) e o Grupo de Pesquisa em Computação Inteligente (GPCI/FIB), iniciou o time Bahia2D como resultado de um projeto de pes-quisa.
Assim como outros grandes times, o Bahia2D foi construido a partir de um time base, o UvA Trilearn, desenvolvido pela Universidade de Amsterdã. Os trabalhos iniciais envolviam agentes reativos e controladores nebulosos para melhorar o desempenho do time em tomadas de decisão, posicionamento em situações diversas etc. Por causa das várias modificações, a complexidade do código aumentou muito e consequentemente a adição de novas rotinas era praticamente impossível então o código precisou ser refato-rado.
Ainda hoje o time ainda atua com agentes reativos mas várias alterações preci-saram ser realizadas por causa de mudanças feitas no servidor. Depois do processo de refatoração, foi feita a atualização do código para a versão 12 do Soccer Server e o de-senvolvimento de uma nova proposta para a escalação inicial do time feita pelo agente técnico[Simoes et al. 2008].
3. O Sistema de Jogadores Heterogêneos e o Técnico
Assim como na vida real, em uma partida de futebol simulado também existe um técnico que orienta o time durante o jogo. O técnico é um cliente privilegiado usado para dar assistência aos outros jogadores, a importância deste está no fato de ser o único agente em campo que pode analisar o jogo e o desempenho dos dois times de forma geral, podendo analisar partidas antigas para construir um modelo de comportamento do time adversário e desta forma ajudar no planejamento de ações futuras.
É o único agente que recebe informações globais e livres de erro relativas a todos os objetos presentes no campo. Na simulação existem dois tipos de técnico:
• Offline: utilizado para testes, ajuda no desenvolvimento da equipe em tarefas como, por exemplo, aprendizagem. Pode movimentar a bola e os jogadores de ambas as equipes para qualquer posição do campo, atribuir velocidades e direções aos agentes (o que pode ser extremamente útil para ensaiar e testar jogadas diver-sas), ter total controle sobre o modo de jogo e, se necessário, desabilitar o ábitro automático[Chen et al. 2003].
• Online: utilizado em competições e jogos. Apresenta diversas restrições para que não possa controlar diretamente o time. Sendo o único agente que tem uma vi-são global e não distorcida do mundo, o técnico pode analisar melhor o jogo e o time adversário, enviar mensagens para os seus companheiros contendo informa-ções, baseadas na análise, que poderão ajudar no desempenho da equipe, como o tipo dos jogadores adversários, conselhos sobre as melhores jogadas possíveis etc[Chen et al. 2003].
Uma importante tarefa reservada para o técnico é a escalação dos tipos heterogê-neos dos jogadores da equipe. O conceito de jogadores heterogêheterogê-neos foi introduzido na liga de simulação em 2001 procurando estimular a investigação em diversas áreas mas focando na alocação dinâmica de recursos. Cada jogador possui capacidades físicas dis-tintas dos jogadores padrões como, por exemplo, velocidade, aceleração e recuperação. Com a atualização do Soccer Server algumas regras foram modificadas. A cada nova par-tida é gerado um grupo com 18 tipos heterogêneos (nas versões anteriores eram 7) então os times só podem apresentar 1 jogador de cada tipo. A tabela 1 apresenta um resumo dos parâmetros que influenciam nas características dos tipos[Reis 2003].
Esses parâmetros são utilizados como base para definir os compromissos que irão garantir que, embora os tipos heterogêneos apresentem características físicas melhores que o tipo padrão, outras características serão piores. Os compromissos somam 4 no total[Reis 2003]:
• aceleração X taxa de recuperação de stamina; • tamanho do alcance da bola X exatidão do chute; • velocidade X capacidade de girar o corpo; • taxa de stamina extra X aceleração máxima.
Tabela 1. Parâmetros dos Jogadores Heterogêneos
Parâmetro Valor Padrão Alcance Descrição
player_decay 0.4 0.35 - 0.5 Quantidade de velocidade perdida inertia_moment 5.0 3.75 - 7.5 Capacidade de girar o corpo do jogador dash_power_rate 0.006 0.0055 - 0.0075 Taxa de aceleração
stamina_inc_max 45 36 - 48 Quantidade de stamina recuperada por ciclo kickable_margin 0.7 0.6 - 0.8 Tamanho da área de alcance da bola
kick_rand 0.1 0 - 0.2 Precisão do chute
extra_stamina 0 0 - 100 Quantidade de stamina extra
effort_max 1.0 0.8 - 1.0 Capacidade máxima de esforço do jogador effort_min 0.6 0.4 - 0.6 Capacidade mínima de esforço do jogador
A stamina é um modelo utilizado pelo simulador para prover um efeito similar ao da carga das baterias nos robôs físicos. Sempre que um robô executa uma ação ele irá gastar stamina. Se a quantidade de stamina ficar muito baixa o robô não conseguirá executar determinadas ações. A stamina pode ser recarregada automaticamente através da inatividade do robô durante algum tempo.
Os técnicos das equipes devem selecionar os tipos de cada jogador antes do início da partida ou o servidor irá escolher um tipo heterogêneo arbitrário. Uma outra inovação da versão 12 foi a introdução do conceito de semente randômica, ou seja, é possível configurar a semente e obter um mesmo grupo de heterogêneos, isto é ideal para realizar testes com tipos específicos em determinados jogadores [Reis 2003].
4. Estratégia para Seleção de Jogadores Heterogênos para o time Bahia2D
Como já foi explicado anteriormente, cabe ao técnico decidir qual o tipo heterogêneo se encaixa melhor em cada jogador. A abordagem inicial escolhida para realizar este processo foi a utilização de regras de produção por ser uma estratégia eficiente mas de rápida implementação visto que a equipe se preparava para mais uma competição. Como a cada partida um novo grupo de heterogêneos é gerado, a grande dificuldade desta questão é criar uma rotina que possa adaptar o time a qualquer conjunto de jogadores aleatórios. O trabalho foi separado em 2 etapas: primeiro a análise e definção das características que deveriam ser priorizadas em cada jogador, e por último, foram desenvolvidas as regras, implementações e testes finais.
Para realizar a primeira parte do processo foi necessário: (1) analisar quais carac-terísticas deveriam ser priorizadas para cada jogador; (2) pesquisar uma semente aleatória que fosse mais próxima da proposta inicial e (3) testar e definir se estas características priorizadas influenciavam, para melhor ou pior, o desempenho dos jogadores. Sempre que o desempenho diminuia era necessário modificar a proposta e procurar por uma nova semente.
Para a segunda parte foi utilizado um sistema de produção (sistema baseado em regras de produção) que se resume em uma base de fatos, uma base de regras e um motor de inferência. A estrutura utilizada faz parte do Expert-Coop++, uma biblioteca de clas-ses, em linguagem C++, que oferece um modelo de arquitetura para o agente cognitivo, chamado Agente Autônomo Concorrente. [da Costa and Bittencourt 1999]
O arquivo de regras é definido pelo usuário e fornece todas as regras necessá-rias para analisar, classificar e definir cada tipo heterogêneo entre os jogadores do time. As regras se apresentam em formato para linguagem de comunicações de agentes Parla. [da Costa and Bittencourt 1997] A rotina foi dividida em duas fases:
1. Todos os tipos heterogêneos são analisados e classificados, de acordo com as exi-gências relatadas no arquivo de regras, em ataque (1, 2, 3 ou 4), defesa (1, 2, 3 ou 4) ou NULL;
2. Com todos os tipos classificados, é feita a escalação do time, levando em conta que quanto menor o número de classificação mais recomendável é o tipo. Os primeiros jogadores a serem definidos são os atacantes, em seguida os meios-de-campo e por fim os zagueiros.
Entretanto esta estratégia não é excelente. Há ocasiões em que o número de tipos heterogêneos classificados como NULL é maior que o esperado sendo assim algum joga-dores recebem o tipo escolhido pelo servidor e que muitas vezes não é o ideal. O desafio a ser ultrapassado nesta estratégia é descobrir dentre os tipos heterogêneos NULL quais poderiam preencher as lacunas na escalação do técnico.
4.1. Testes e Resultados
Para validação da proposta utilizando regras de produção foram realizados testes contra quatro times, UvA Trilearn 2003, HELIOS, Oxsy e OPU_hana_2D. Os jogos foram divi-didos entre aqueles onde se era usada a semente escolhida e aqueles em que se usava uma semente aleatória. Nas partidas foram analisadas as quantidades de bolas interceptadas, chutes a gol, passes errados, taxa de stamina e aceleração dos jogadores.
Inicialmente os tipos foram divididos da seguinte forma, levando em conta a prio-ridade das características:
1. O ataque priorizava a aceleração (player_decay), velocidade (dash_power_rate) e precisão de chute (kick_rand);
2. A defesa priorizava a taxa de recuperação stamina_inc_max, tamanho do alcance da bola kickable_margin e a taxa de stamina extra extra_stamina.
Nos 50 primeiros jogos (a primeira parte dos testes foi realizada contra o time UvA Trilearn) foi constatado que a proposta ainda não satisfazia as exigências de cada jogador. Os resultados desta primeira fase de testes etão listados na Tabela 2. Por exemplo, apesar do aumento no número de bolas interceptadas e chutes a gol, a quantidade de passes errados da defesa aumentou em quase 20%, o que diminuia em muito as chances de um contra-ataque, por isso a proposta teve que ser revisada e as prioridades de algumas características foram balanceadas para melhorar o desempenho do time.
Estas mudanças levaram a uma nova definição dos tipos da defesa. A defesa pas-sou a priorizar a taxa de recuperação stamina_inc_max, tamanho do alcance da bola kic-kable_margin, precisão de chute (kick_rand) e a taxa de stamina extra extra_stamina.
Os novos testes realizados com a nova proposta confirmaram que o balanceamento trazia melhores resultados que a proposta antiga onde se priorizava somente uma carac-terística, com o número de passes errados diminuindo em aproximadamente 13.3%. Os resultados desta segunda etapa de testes estão listados na Tabela 3.
Tabela 2. Resultados da Primeira Etapa de Testes
Adversário Versão Bahia2D* Chutes A Gol Interceptações de bola Passes Errados
UvA Trilearn 1 5/10 4/10 4/10
2 6/10 5/10 6/10
* Indica a versão do time utilizada nos testes, 1 equivale ao Bahia2D inicial e 2 ao Bahia2D com os incrementos no Agente Técnico
Tabela 3. Resultados Testes 2
Adversário Versão Bahia2D* Chutes A Gol Interceptações de bola Passes Errados
UvA Trilearn 1 5/10 4/10 6/10 2 6/10 5/10 4/10 OPU_hana_2D 1 1/10 3/10 6/10 2 3/10 6/10 4/10 Oxsy 1 0/10 4/10 5/10 2 2/10 5/10 3/10 HELIOS 1 0/10 3/10 7/10 2 1/10 5/10 6/10
* Indica a versão do time utilizada nos testes, 1 equivale ao Bahia2D inicial e 2 ao Bahia2D com os incrementos no Agente Técnico
A segunda etapa de testes veio para validar a rotina criada neste processo. Foram rodados 25 testes cada um com uma semente diferente, primeiro foi realizada a análise e a classificação manual de todos os grupos e depois os resultados foram comparados com os resultados gerados pela rotina. As limitações da proposta, em alguns casos, torna o número de tipos NULL consideravelmente alto e abre uma perspectiva de trabalhos futuros nesta área.
5. Conclusões e Trabalhos Futuros
A estratégia de utilizar regras de produção se mostrou eficiente mas não é uma solução ótima então, para otimizar o processo de escalação, uma nova abordagem vem sendo desenvolvida desta vez utilizando Algoritmos Genéticos (AG). Os AG foram inventados, na década de 60, por John Holland [Holland 1992] e desenvolvido, em meados de 70, com a ajuda de seus alunos da Universidade de Michigan. O objetivo de Holland não era o desenvolvimento de algoritmos para a solução de problemas específicos, mas sim transferir os conhecimentos resultantes do estudo da evolução natural para os sistemas de computação.
Os AGs são fundamentados em uma analogia com processos da evolução bio-lógica natural, onde, dada uma população aleatória, os indivíduos com as melhores ca-racterísticas genéticas apresentam maiores chances de sobrevivência e de reprodução de descendentes cada vez mais aptos, já o restante da população considerada menos apta está fadada ao desaparecimento.
Por não impor muitas limitações como outros métodos de busca tradicionais, estes algoritmos são muitos eficientes quando se fala na busca de soluções ótimas, ou aproxi-madamente ótimas, em uma grande variedade de problemas. Os AGs utilizam uma
es-tratégia de busca paralela e estruturada, porém aleatória, que tende a reforçar a busca de pontos com alta aptidão (altas chances de sobrevivência), pontos nos quais a função a ser maximizada (ou minimizada) tem valores relativamente altos (ou baixos). A cada nova geração são aplicados os princípios de seleção e reprodução a uma população de possíveis soluções, princípios estes que podem variar de acordo com a complexidade do problema e dos recursos computacionais disponibilizados [Davis 1991] .
Desta forma, o uso de AG juntamente com atual base de conhecimento do técnico representa uma hipótese viável para minimizar a quantidade de jogadores escolhidos com tipo NULL e, caso seja encontrada uma solução ótima, nenhum jogador deste tipo seria escolhido. Ou seja, toda a escolha dos tipos heterogêneos dependeria de fato da estratégia do técnico e não de uma escolha randômica do servidor, como ainda ocorre em alguns casos na implementação atual.
Referências
AldebaranRobotics (2009). Aldebaran robotics homepage. http://www.aldebaran-robotics.com/eng/index.php. last access.
Asada, M., Mayer, N. M., Boedecker, J., Fuke, S., and Ogino, M. (2006). The robocup soccer humanoid league: Overview and outlook. In Proceedings of the IEEE-RAS International Conference on Humanoid Robots (HUMANOIDS’06).
Chen, M., Dorer, K., Foroughi, E., Heintz, F., Huangy, Z., Kapetanakis, S., Kostiadis, K., Kummeneje, J., Murray, J., Noda, I., Obst, O., Riley, P., Steffens, T., Wangy, Y., and Yin, X. (2003). Robocup soccer server user manual for soccer server version 7.07 and latter. sserver.sourceforge.net/docs/manual.pdf.
da Costa, A. L. and Bittencourt, G. (1997). Encontro Português de Inteligência Artifi-cial (EPIA), chapter Parla: A cooperation language for cognitive multi-agent systems, pages 207–215. Spring-Verlag.
da Costa, A. L. and Bittencourt, G. (1999). IJCAI’99, Third International Workshop in RoboCup, chapter From a Concurrent Architecture to a Concurrent Autonomous Agents Architecture, pages 85–90. Lecture Notes in Artificial Intelligence.
Davis, L. (1991). Handbook Of Genetic Algorithms. Van Nostrand Reinhold Company. de Boer, R. and Kok, J. R. (2002). The incremental development of a synthetic
multi-agent system: The uva trilearn 2001 robotic soccer simulation team. Master’s thesis, University of Amsterdam, The Netherlands.
Holland, J. H. (1992). Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence. The MIT Press.
Kitano, H., Asada, M., Kuniyoshi, Y., Nida, I., and Osawa, E. (1995a). Robocup: The robot world cup initiative. Working Notes of IJCAI Workshop: Entertainment and AI/Alife, pages 19–24.
Kitano, H., Tambe, M., Stone, P., Veloso, M., Noda, I., OSAWA, E., and ASADA, M. (1995b). The robocup synthetic agents challenge. In Proceedings of the International Joint Conference on Artificial Intelligence (IJCAI).
Mayer, N. M., Boedecker, J., and Asada, M. (2007). On standardization in the robocup soccer humanoid leagues. In 2nd Workshop on Humanid Soccer Robots, Humanoids Conference.
Noda, I., Matsubara, H., Hiraki, K., and Frank, I. (1998). Soccer server: a tool for research on multi-agent systems. Applied Artificial Intelligence, 12:233–250.
Reis, L. P. (2003). Coordenação em sistemas multi-agente: Aplicações na gestão univer-sitária e futebol robótico. Master’s thesis, Faculdade de Engenharia da Universidade do Porto.
RoboCup, F. (2009a). Robocup humanoid league.
http://www.tzi.de/humanoid/bin/view/Website/WebHome. last access.
RoboCup, F. (2009b). Robocup official website. http://www.robocup.org/. last access. Simoes, M. A. C., Silva, B. V., Cerqueira, A., and Silva, L. (2008). Bahia2d 2008:
