Comparación de los algoritmos Expectimax y Monte Carlo en la solución del juego en línea 2048

• Noa Yarasca, Efrain ^[1] ; Nguyen, khoi ^[1]
  1. [1] Oregon State University

     Oregon State University

     Estados Unidos

     
• Localización: Pesquimat, ISSN-e 1609-8439, ISSN 1560-912X, Vol. 21, Nº. 1, 2018, págs. 1-10
• Idioma: español
• DOI: 10.15381/pes.v21i1.15069
• Títulos paralelos:
  • Comparison of Expectimax and Monte Carlo algorithms in Solving the online 2048 game
• Enlaces
  • Texto completo
• Resumen
  • español

    En el presente trabajo, dos algoritmos de búsqueda: Expectimax y Monte Carlo fueron desarrollados a fin de resolver el conocido juego en línea “2048" y comparar sus resultados. En ambos casos, cinco heurísticas fueron empleadas para obtener posiciones favorables de las fichas dentro del juego. Estas heurísticas fueron combinadas convenientemente para maximizar el puntaje del juego en todas las posibles posiciones. Como resultado el puntaje, el máximo valor de ficha, y el tiempo de cómputo empleado en el juego son mostrados. Además, la eficiencia de cada algoritmo y sus subcasos son presentados. El presente trabajo concluye que el algoritmo de búsqueda Monte-Carlo fue más eficiente en obtener un mayor puntaje que el algoritmo de Expectimax, aunque en un tiempo de cómputo mayor. Incrementos en el nivel de búsqueda en el algoritmo Expectimax y el número de movimientos en el algoritmo de Monte Carlo no necesariamente resultaron en un mayor puntaje del juego.

  • English

    In this work, two search algorithms Expectimax and Monte Carlo Tree Search (MCTS) were developed to solve the well-known “2048" puzzle online-game and compare their results. In both cases, five heuristics were employed to obtain favorable tile positions within the game. These heuristics were combined to maximize the game-score in all possible board positions. As a result, the game-score, the maximum value of tile obtained, and the computing time employed in solving the game are shown. In addition, the efficiency of each algorithm and its sub-cases are presented. This research concludes by arguing that Monte Carlo Tree Search was more efficient in higher score than Expectimax algorithm, although in a longer time. Increments in level of depth-search in Expectimax and number of moves in MCTS do not necessarily resulted in obtaining higher score.