Proyecto: Evolución de Estrategias en Tic-Tac-Toe mediante Algoritmos Genéticos

Este proyecto implementa un algoritmo genético para evolucionar y optimizar estrategias en el juego Tic-Tac-Toe. El objetivo es desarrollar estrategias efectivas que puedan competir contra diferentes oponentes, incluyendo estrategias predefinidas como la aleatoria, heurística y Minimax.

Tabla de Contenidos

• Descripción del Proyecto
• Estructura del Proyecto
• Prerequisitos
• Instalación
• Ejecución
  • 1. Ejecutar el Algoritmo Genético
  • 2. Generar las Gráficas
• Resultados
• Notas Adicionales
• Contacto

Descripción del Proyecto

Este proyecto utiliza un algoritmo genético (AG) para evolucionar estrategias de juego en Tic-Tac-Toe. El AG simula un proceso evolutivo donde una población de individuos (estrategias) se somete a selección, cruce y mutación a lo largo de varias generaciones para mejorar su desempeño.

Estructura del Proyecto

El proyecto contiene los siguientes archivos:

• tic_tac_toe.py: Módulo con la lógica del juego Tic-Tac-Toe.
• strategies.py: Módulo con estrategias predefinidas (aleatoria, heurística, Minimax).
• genetic_algorithm.py: Implementación del algoritmo genético.
• main.py: Script principal para ejecutar el algoritmo genético y evaluar las estrategias.
• plot_results.py: Script para generar las gráficas de resultados.
• fitness_history.pkl: Archivo generado que almacena la historia de aptitud.
• evaluation_results.pkl: Archivo generado que almacena los resultados de evaluación.
• grafica_aptitud.png: Gráfica de la evolución de la aptitud a lo largo de las generaciones.
• grafica_comparativa.png: Gráfica comparativa de tasas de victoria, empate y derrota.

Prerequisitos

• Python 3.x
• Paquetes de Python:
  • numpy
  • matplotlib

Instalación

1. Clonar el repositorio o descargar los archivos:

   Clona este repositorio en tu máquina local o descarga los archivos necesarios.

2. Crear un entorno virtual (opcional pero recomendado):

   python -m venv env

   Activa el entorno virtual:

   • En Windows:

     env\Scripts\activate

   • En macOS/Linux:

     source env/bin/activate

3. Instalar las dependencias:

   Asegúrate de tener pip actualizado:

   pip install --upgrade pip

   Instala los paquetes necesarios:

   pip install numpy matplotlib

Ejecución

1. Ejecutar el Algoritmo Genético

Ejecuta el script principal main.py para iniciar el algoritmo genético:

python main.py

Este script realizará lo siguiente:

• Ejecutará el algoritmo genético con los parámetros especificados (tamaño de población, generaciones, tasas de mutación y cruce).
• Guardará el mejor individuo (estrategia evolucionada) en best_individual.pkl.
• Guardará la historia de aptitud en fitness_history.pkl.
• Evaluará el mejor individuo contra estrategias predefinidas y guardará los resultados en evaluation_results.pkl.

Nota: La ejecución puede tardar varios minutos dependiendo de los parámetros y la potencia de tu máquina.

2. Generar las Gráficas

Una vez que el algoritmo genético haya finalizado, ejecuta el script plot_results.py para generar las gráficas:

python plot_results.py

Este script:

• Cargará los datos de fitness_history.pkl y generará la gráfica de evolución de la aptitud, guardándola como grafica_aptitud.png.
• Cargará los datos de evaluation_results.pkl y generará la gráfica comparativa de estrategias, guardándola como grafica_comparativa.png.

Nota: Si ves advertencias relacionadas con plt.show(), puedes ignorarlas o comentar las líneas plt.show() en el script, ya que las gráficas se guardarán correctamente.

Resultados

• grafica_aptitud.png: Muestra cómo la aptitud máxima y promedio evolucionan a lo largo de las generaciones.

• grafica_comparativa.png: Compara las tasas de victoria, empate y derrota de la estrategia evolucionada contra otras estrategias predefinidas.

Puedes incluir estas gráficas en tu presentación o informe para ilustrar los resultados obtenidos.

Notas Adicionales

• Parámetros del Algoritmo Genético:

  Puedes ajustar los parámetros del algoritmo genético modificando los valores en main.py:

  if __name__ == '__main__':
      ga = GeneticAlgorithm(
          population_size=50,     # Tamaño de la población
          generations=50,         # Número de generaciones
          mutation_rate=0.01,     # Tasa de mutación
          crossover_rate=0.7      # Tasa de cruce
      )
      # ...

• Rendimiento:

  • Dado que el número de estados posibles en Tic-Tac-Toe es grande, el programa puede consumir bastante memoria y tiempo de procesamiento.
  • Si experimentas problemas de rendimiento, considera reducir el tamaño de la población o el número de generaciones.

• Comprensión del Código:

  • Se recomienda revisar y entender cada uno de los archivos para tener una mejor comprensión del funcionamiento del algoritmo.
  • Los comentarios en el código ayudan a entender la lógica implementada.

• Entorno sin Interfaz Gráfica:

  • Si ejecutas el script en un entorno sin interfaz gráfica, las gráficas no se mostrarán interactivamente, pero se guardarán en los archivos correspondientes.

• Posibles Mejoras:

  • Implementar optimizaciones en la representación de los estados del juego.
  • Probar con diferentes métodos de selección, cruce y mutación.
  • Integrar técnicas adicionales como coevolución o aprendizaje por refuerzo.

Contacto

Si tienes alguna pregunta o sugerencia sobre este proyecto, puedes contactarme a través de:

• Nombre: Christian Eulogio Sánchez
• Correo electrónico: [email protected]
• Institución: Facultad de Ciencias, UNAM

¡Gracias por tu interés en este proyecto!