Pablo Rangel
Resumo
Esta tese de doutorado apresenta a solução para o problema de otimização e uso de estratégias navais no ensino militar. Dada a existência de uma lacuna na literatura correlata, este trabalho visa a demonstrar que o modelo desenvolvido pode suprir os requisitos de uma simulação que considera um contexto militar em toda sua complexidade. O modelo foi idealizado para uma dinâmica de competição e implementado com dois tipos de técnicas: Algoritmo Genético (AG) e Lógica Fuzzy (LF). Por meio do AG, a otimização de estratégias ocorre em um espaço de busca contínuo e se diferencia por não estar limitada a um conjunto pré-concebido de regras. Sob o ponto de vista didático, a LF adapta e regula os parâmetros de otimização para que os resultados sejam consonantes às necessidades de ensino, interesse e entretenimento. A validação do modelo foi realizada em duas partes. A primeira validação diz respeito à proximidade dos resultados em relação ao ótimo (otimização não regulada). A segunda validação diz respeito à capacidade de aderência ao aspecto didático (otimização regulada). Além de jogadores artificiais criados com curvas de aprendizados distintas, o modelo foi validado por especialistas militares por meio de uma adaptação do Teste de Turing. Os resultados obtidos indicam que o modelo obteve sucesso em seus objetivos propostos e pode ser expandido e definitivamente incorporado em um sistema real.
Abstract
This doctorate thesis presents a solution for the naval strategy optimization problem and its use in the military training. This work shows that the developed model is capable to provide all resources that a simulation of complex military context requires. The model reflects a dynamic game interaction and competition, implemented with two types of techniques: Genetic Algorithm (GA) and Fuzzy Logic (FL). Using GA, the strategy optimization runs over a continuous values domain and offers an alternative to predefined set of rules and doctrines. On the other hand, FL is responsible for adaptations in the optimization parameters according to requirements of human learning, entertainment and continuous interest. The model validation follows two steps. The first step relates to the quality of results considering the global optimum (without FL). The second step relates to the capability of providing an adequate response considering teaching and learning as objectives (with FL). To support this validation, we have created synthetic players with different learning levels. In addition, human players have participated of an adaptation of Turing’s Test. The results indicate that the model has achieved the objectives proposed. Moreover, the same results show that is possible the expansion and the incorporation of the model in an actual serious game.
