Evaluación y mejora de la generalización en algoritmos de aprendizaje por refuerzo.
| dc.contributor.advisor | Godoy del Campo, Julio Erasmo | es |
| dc.contributor.author | González Gutiérrez, Gustavo Alonso | es |
| dc.date.accessioned | 2026-06-23T20:22:02Z | |
| dc.date.available | 2026-06-23T20:22:02Z | |
| dc.date.issued | 2025 | |
| dc.description | Tesis presentada para optar al título de Ingeniero/a Civil Informático/a. | es |
| dc.description.abstract | La generalización en el aprendizaje por refuerzo (RL) continúa siendo una de las principales barreras para su aplicación en entornos reales, donde la variabilidad y las condiciones no previstas pueden deteriorar notoriamente el rendimiento de los agentes entrenados. Esta memoria de título aborda dicho problema evaluando y mejorando la capacidad de generalización de algoritmos con enfoques distintos, tanto basados en valores (DQN y Rainbow), basados en políticas (PPO y PPO con LSTM) y neuroevolutivos (NEAT e HyperNEAT), utilizando como entorno experimental diversos niveles del videojuego Super Mario Bros. Se implementan y combinan tres métodos complementarios orientados a mejorar la generalización, Domain Randomization para aumentar la diversidad de dinámicas del entorno, la arquitectura de redes neuronales IMPALA como mejora algorítmica en la extracción de características, y Explore Go como estrategia de exploración que amplía la cobertura del espacio de estados sin afectar la estabilidad del aprendizaje. Los aportes de este trabajo incluyen la validación empírica de que métodos de generalización con enfoques distintos pueden combinarse efectivamente, y la identificación de trade-offs importantes entre la eficiencia de convergencia y capacidad de generalización. Los resultados demuestran que Rainbow con los tres métodos aplicados logra mejoras significativas en niveles no vistos, mientras que PPO muestra una mejor generalización sin métodos adicionales. IMPALA resulta ser el método de mayor impacto, y Explore Go ayudó a obtener mejoras significativas en niveles donde previamente no habían avances significativos. Los algoritmos neuroevolutivos muestran limitaciones significativas sin redes profundas. Este trabajo proporciona una metodología replicable y evidencia empírica sobre combinaciones efectivas de métodos según el tipo de algoritmo | es |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Informática y Ciencias de la Computación | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/14202 | |
| dc.language.iso | es | es |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Inteligencia artificial | es |
| dc.subject | Algoritmos computacionales | es |
| dc.subject | Aprendizaje reforzado | es |
| dc.title | Evaluación y mejora de la generalización en algoritmos de aprendizaje por refuerzo. | es |
| dc.type | Thesis | en |