Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Maeb03 ligafantastica-2

476 views

Published on

  • Login to see the comments

Maeb03 ligafantastica-2

  1. 1. 16/09/13   GA/Liga Yahoo Algoritmos genéticosAlgoritmos genéticos aplicados a la Ligaaplicados a la Liga Fantástica YahooFantástica Yahoo Juan David Fernández, Juan Miguel Rodríguez,Juan David Fernández, Juan Miguel Rodríguez, Juan Julián MereloJuan Julián Merelo Depto. Arquitectura y Tecnología de Computadores,Depto. Arquitectura y Tecnología de Computadores, U. GranadaU. Granada http://www.geneura.orghttp://www.geneura.org
  2. 2. 16/09/13   GA/Liga Yahoo ¿Por qué? ● La liga Fantástica Yahoo es un problema del  mundo real. ● Dos formas de abordarlo: – Problema de optimización combinatoria. – Problema de optimización de reglas.
  3. 3. 16/09/13   GA/Liga Yahoo ¿Qué es?¿Qué es? ➢ Objetivo del juego: ➢ Acumular máximo de puntos a lo largo de las jornadas. ➢ Normas: ➢ Precio máximo equipos: 100 ➢ Diferentes formaciones. ➢ Datos de cada jugador
  4. 4. 16/09/13   GA/Liga Yahoo ¿Qué es?¿Qué es?
  5. 5. 16/09/13   GA/Liga Yahoo ¿Qué es? Clasificación¿Qué es? Clasificación
  6. 6. 16/09/13   GA/Liga Yahoo Estado del ArteEstado del Arte ➢ Vs. Baseball, Liga virtual de béisbol basada en IA ➢ IA Patentada ➢ Totomaster: Predicción de resultados de la liga inglesa.
  7. 7. 16/09/13   GA/Liga Yahoo Estado del Arte IIEstado del Arte II ➢ Genetic football: Programa de optimización combinatoria, similar al TSP. ➢ Notre Dame football predictor: red neuronal para predecir tipo de juego ofensivo de un equipo de fútbol americano ➢ Discusiones en Usenet sobre algoritmos para ganar a la TotoCalcio
  8. 8. 16/09/13   GA/Liga Yahoo Estado del Arte III: GA/LigaEstado del Arte III: GA/Liga fantásticafantástica ➢ Ejemplo en un curso de IA en DCU
  9. 9. 16/09/13   GA/Liga Yahoo AE/Liga FantásticaAE/Liga Fantástica ➢ 2 soluciones ➢ Maximización de puntos. ➢ Optimización de reglas heurísticas. ➢ Herramienta: OPEAL ➢ http://opeal.sourceforge.net ➢ Disponible en CPAN como Algorithm::Evolutionary
  10. 10. 16/09/13   GA/Liga Yahoo Algoritmo Genético paraAlgoritmo Genético para maximizar puntuaciónmaximizar puntuación ●Codificación del cromosoma: equipo ●Mutación específica para el cromosoma ●Sin operador de cruce ●Muestreo aleatorio simple ●Elitismo
  11. 11. 16/09/13   GA/Liga Yahoo Algoritmo Genético paraAlgoritmo Genético para maximizar puntuación: fitnessmaximizar puntuación: fitness ●Objetivos: ● Maximizar última jornada ● Maximizar resultados globales ●Ventaja: directa, fácil implementación. ●Inconveniente: factores externos. ● El fútbol es así.
  12. 12. 16/09/13   GA/Liga Yahoo Algoritmo Genético paraAlgoritmo Genético para maximizar puntuación: pruebasmaximizar puntuación: pruebas ➢ Parámetros Algoritmo ➢ Tamaño Población = 100 ➢ Número de Iteraciones = 200 ➢ Prob. Ajuste = 1 ➢ % de Población Nueva = 0.5 ➢ Prob. Mutar Jugador = 0.1 Formaciones 0 50 100 150 200 250 29 30 31 32 33 34 35 36 37 Jornadas Puntuaciones Formación 4-4-2 Formación 4-3-3 Formación 3-4-3 Formación 3-5-2
  13. 13. 16/09/13   GA/Liga Yahoo Algoritmo Genético paraAlgoritmo Genético para maximizar puntuación: pruebas IImaximizar puntuación: pruebas II Formaciones (Datos Reales) -40 -20 0 20 40 60 80 30 31 32 33 34 35 36 37 38 Jornadas Puntuaciones Formación 4-4-2 Formación 4-3-3 Formación 3-4-3 Formación 3-5-2
  14. 14. 16/09/13   GA/Liga Yahoo AG mejora reglas heurísticasAG mejora reglas heurísticas ➢ Cromosoma ➢ Porcentajes de aplicación de las reglas para cambio de un jugador por otro: ➢ Jugar en casa ➢ Jugar contra equipo inferior ➢ Jugar de titular. ➢ Operadores comunes con el anterior.
  15. 15. 16/09/13   GA/Liga Yahoo AG mejora reglas heurísticas:AG mejora reglas heurísticas: fitnessfitness ➢ Se usa como base el algoritmo anterior, para maximizar la puntuación por jornada. ➢ Varias versiones: ➢ 1, 2, 3 usan la jornada anterior como base, la 4 dos jornadas. ➢ 1 maximiza equipos una sola vez; 2 la llama siempre, 3 y 4 evalúan los mejores. ➢
  16. 16. 16/09/13   GA/Liga Yahoo AG mejora reglas heurísticas:AG mejora reglas heurísticas: ResultadosResultados Formaciones 0 20 40 60 80 100 120 140 30 31 32 33 34 35 36 37 38 Jornadas Puntuaciones Formación 4-4-2 Formación 4-3-3 Formación 3-5-2 Formación 3-4-3
  17. 17. 16/09/13   GA/Liga Yahoo AG mejora reglas heurísticas:AG mejora reglas heurísticas: EquiposEquipos
  18. 18. 16/09/13   GA/Liga Yahoo ConclusionesConclusiones ➢ Buenos resultados en una jornada pasada no implican unos buenos resultados en una jornada futura, debido a ➢ Climatología. ➢ Cansancio de los jugadores. ➢ Factor campo. ➢ Estado anímico. ➢ Estado de la competición. ➢ Decisiones arbitrales. ➢ ...
  19. 19. 16/09/13   GA/Liga Yahoo Conclusiones IIConclusiones II ➢ Desde el punto de vista evolutivo, el problema es interesante por: ➢ Se puede abordar desde diferentes puntos de vista. ➢ Es necesario un conocimiento del problema, y el uso de operadores heurísticos. ➢ Los enfoque heurísticos (evolución de reglas) dan mejores resultados que los genéricos.
  20. 20. 16/09/13   GA/Liga Yahoo Trabajo futuroTrabajo futuro ➢ Interfaz genérico para “ligas fantásticas” ➢ Uso de información desde el principio de la liga. ➢ Inclusión de información procedente de diferentes fuentes ➢ Adaptación a las tablas de cada año en particular.

×