Aprenentatge per reforç aplicat a videojocs clàssics i anàlisi de les dades d'entrenament mitjançant una pipeline de dades
Fernández Ortiz, Adrià
Acuña Torras, David tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Additional title:	Reinforcement learning applied to classic video games and analysis of training data using a data pipeline
Additional title:	Aprendizaje por refuerzo aplicado a videojuegos clásicos y análisis de los datos de entrenamiento mediante una pipeline de datos
Date:	2026
Abstract:	Aquest treball presenta el disseny i desenvolupament d’agents intel·ligents capaços de jugar als videojocs clàssics Snake i 2048 mitjançant tècniques d’aprenentatge per reforç. Per a cada joc s’han implementat dos enfocaments diferents: un agent basat en Q-Learning i un agent basat en Deep Q-Networks (DQN), que utilitza xarxes neuronals per aproximar la funció de valor. Paral·lelament, s’ha desenvolupat un sistema de registre de dades per emmagatzemar mètriques com les recompenses acumulades, les puntuacions obtingudes i l’evolució dels agents durant l’entrenament. Els resultats obtinguts permeten comparar quantitativament ambdós enfocaments i mostren que els agents DQN aconsegueixen un rendiment superior, especialment en entorns amb espais d’estats molt grans, com és el cas del joc 2048.
Abstract:	This Project presents the design and development of intelligent agents capable of playing the classic video games Snake and 2048 using Reinforcement Learning techniques. Two different approaches were implemented for each game: a Q-Learning-based agent and a Deep Q-Network (DQN) agent, which uses artificial neural networks to approximate the action-value function. In addition, a data logging system was developed to record relevant training metrics such as accumulated rewards, game scores, and the agents' performance throughout the learning process. The collected data enabled a quantitative comparison of both approaches, showing that DQN agents achieve superior performance, particularly in environments with very large state spaces, such as the 2048 game.
Abstract:	Este trabajo presenta el diseño y desarrollo de agentes inteligentes capaces de jugar a los videojuegos clásicos Snake y 2048 mediante técnicas de aprendizaje por refuerzo. Para cada juego se han implementado dos enfoques distintos: un agente basado en Q-Learning y un agente basado en Deep Q-Networks (DQN), que utiliza redes neuronales para aproximar la función de valor. Paralelamente, se ha desarrollado un sistema de registro de datos para almacenar métricas como las recompensas acumuladas, las puntuaciones obtenidas y la evolución de los agentes durante el entrenamiento. Los resultados obtenidos permiten comparar cuantitativamente ambos enfoques y muestran que los agentes DQN alcanzan un rendimiento superior, especialmente en entornos con espacios de estados muy grandes, como es el caso del juego 2048.
Rights:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, sempre i quan aquestes es distribueixin sota la mateixa llicència que regula l'obra original i es reconegui l'autoria.
Language:	Català
Studies:	Enginyeria Informàtica [2502441]
Study plan:	Enginyeria Informàtica [958]
Document:	Treball final de grau
Subject area:	Menció Computació
Subject:	Aprenentatge per reforç ; Q-Learning ; Deep Q-Networks ; Snake ; 2048 ; Anàlisi de dades ; Pipeline de dades ; Reinforcement Learning ; Data Analytics ; Data Pipeline ; Aprendizaje por refuerzo ; Análisis de datos ; Pipeline de datos

10 p, 589.1 KB

The record appears in these collections:
Research literature > Bachelor's degree final project > School of Engineering. TFG