Aprendizaje de estrategias de decisión utilizando redes neuronales artificiales en juegos repetitivos no cooperativos en el ámbito de la economía evolucionista

Abstract

El presente proyecto de investigación muestra el aprendizaje de estrategias de decisión utilizando redes neuronales artifiiales en juegos repetitivos no cooperativos, especficamente, se modelaron los juegos no cooperativos: dilema del prisionero, juego de la gallina y caza del ciervo. En la configuración de los juegos se presentan varios escenarios a saber: competencias entre agentes cuyos programas corresponde con estrategias de juegos usadas en competencias de juego no cooperativos, competencia entre agentes cuyo programa corresponde con una red neuronal obtenida a través de procesos de neuroevolución, y por último, competencia entre agentes cuyo programa corresponde con redes neuronales que se adaptan en línea. Con fin de tener un esquema de especificación unificado, adicionalmente, se planteó el desarrollo de un laboratorio computacional en el ámbito de la economía computacional basado en agentes, dicho laboratorio permite la especificación de modelos de simulación usando un lenguaje desarrollado denominado UNALCOL. El lenguaje tiene una serie de características entre las cuales se encuentran: un entorno integrado de desarrollo que facilita las tareas de programación y una plataforma de simulación para los modelos especifiados. Un elemento importante de dicho lenguaje es que permite la integración con librerías externas para soportar el proceso de toma de decisiones. Los resultados del proceso de investigación indican que pueden ser especifiados juegos no cooperativos en UNALCOL, lo anterior, dado el correcto funcionamiento de las simulaciones realizadas con los juegos dilema del prisionero, juego de la gallina y caza del ciervo. Adicionalmente, el proceso de evolución de las redes neuronales (perceptron multicapa, red de base radial) desarrollado con el fin de adaptar estrategias de aprendizaje en los agentes cuando compiten en los juegos no cooperativos, son comparables a los resultados obtenidos en la literatura, usando algoritmos genéticos y enjambres de partículas. Por último, el proceso de evolución de estrategias en línea, basado en redes neuronales, integrado a los agentes cuando compite con otros contrincantes garantiza el cambio de la estrategia de juego con el fín de maximizar el puntaje obtenido.

Abstract. This research project studies the learning of decision making strategies using artificial neural networks in Repetitive, Non-Cooperative games. In this particular case, the following non-cooperative games were modeled: Prisoner's Dilemma, Chicken Game and Stag Hunt. In each game setup the following scenarios can be seen: competition between agents whose programming corresponds to a Neural Network obtained through Neuroevolution procedures and also, competition between agents whose programming corresponds to Neural Networks which adapt online. In order to obtain a unified specification diagram, development of a computational laboratory dealing with agent based computational economy was proposed. The experiments performed through this laboratory will allow specification of simulation models using a previously developed language called UNALCOL. This language has the following characteristics: an integrated development environment which facilitates programming tasks, and a simulation platform for specified models. An important characteristic of this language is that it allows integration with external libraries to support the decision making process. The research process' results indicate that Non-cooperative games can be specified in UNALCOL as long as the simulations made with Prisoner's Dilemma, Chicken Game and Stag Hunt are functioning properly. Additionally, the neural network evolutionary process (Multilayered perceptron, radial basis network) developed in order to adapt learning strategies in the agents when they compete in Non-cooperative games is compatible with the results obtained in textbooks using genetic algorithms and particle swarms. Finally, the evolutionary process of online strategies based on Neural Networks, integrated to agents when they compete against each other guarantees game strategy changes in order to maximize the final score.