Un albero decisionale è una struttura per rappresentare le decisioni in sequenza in base al verificarsi di determinate condizioni. L'interpretazione dell'albero decisionale inizia alla sua radice, il punto più in alto, da dove si diramano le varie possibilità di scelta. La radice e ogni nodo dell'albero decisionale analizzano un attributo e pongono una domanda. Le diramazioni in uscita da uno stesso nodo rappresentano le diverse decisioni o condizioni (OR) che possono presentarsi. Ogni nodo può anche rappresentare domande diverse dagli altri. Quando le possibilità di scelta (OR) sono più di due si parla di struttura (CASE).

Una sequenza verticale delle decisioni rappresenta le decisioni scelte (AND). In tal modo è possibile rappresentare le diverse combinazioni di scelta che possono presentarsi in base al verificarsi o meno di determinanti eventi.

Grazie alla loro semplicità di implementazione, sono utilizzati in molte applicazioni pratiche.

Nel caso del RisiKo!, che è un ambiente non deterministico (*), il giocatore razionale non è in grado di prevedere con certezza l'esito delle proprie azioni. In questi casi il giocatore deve necessariamente rilevare lo stato dell'ambiente esterno sia prima che dopo l'azione. La prima rilevazione (percezione ex-ante) è utile per elaborare la decisione ossia l'azione da intraprendere. La seconda rilevazione (percezione ex-post) è, invece, utile per verificare gli effetti dell'azione intrapresa sull'ambiente esterno.

Gli alberi di ricerca AND-OR si presentano solitamente come delle routine o delle sotto-routine (subroutine). Le strategie di contingenza delineate negli alberi di ricerca AND-OR possono essere rigide o flessibili.

Strategia rigida: quando le strategie sono programmate nel codice dell'agente razionale in fase di progettazione e non sono modificabili.

Strategia flessibile: quando l'agente razionale può autonomamente modificare o creare nuove strategie sulla base dell'esperienza maturata.

Rapidità delle risposte: il principale vantaggio dell'albero di ricerca AND-OR è quello di fornire all'agente razionale delle risposte rapide in base a specifiche contingenze senza dover elaborare completamente lo stato generale dell'ambiente esterno. In tali circostanze lo studio completo dell'ambiente per individuare una sequenza di azioni potrebbe essere inefficace e inefficiente. È invece preferibile adottare una strategia ossia un piano di contingenza sulla base delle informazioni percepite dall'esterno (feedback) e interpretate seguendo un determinato schema di riferimento. Gli alberi di ricerca AND-OR sono particolarmente utile per fornire delle risposte rapide alle contingenze più frequenti e alle situazioni di impasse dell'agente razionale (loop).

Dunque, un albero decisionale è uno strumento visuale che rappresenta una serie di decisioni e i possibili risultati che possono derivarne. Si tratta di una rappresentazione grafica delle scelte disponibili e delle conseguenze associate a ciascuna scelta.

L'albero decisionale inizia con un nodo di partenza che rappresenta la decisione iniziale da prendere. Da questo nodo, si generano diverse diramazioni, ciascuna rappresentante una possibile scelta da fare. Ogni diramazione può portare a ulteriori nodi di decisione o a nodi terminali che rappresentano gli esiti finali delle decisioni.

Nell'albero decisionale, vengono spesso utilizzate frecce o linee per collegare i nodi e indicare le relazioni tra le decisioni e le conseguenze. Ogni linea può essere etichettata con le probabilità o le valutazioni associate a ciascun risultato.

L'albero decisionale è un metodo utile per visualizzare e analizzare le decisioni complesse, valutando i potenziali rischi e benefici di ciascuna scelta e identificando le possibili alternative. Può essere un valido strumento per l'analisi decisionale, l'ottimizzazione delle scelte e la valutazione dei rischi.

Nel contesto del gioco del RisiKo!, un albero decisionale potrebbe essere utilizzato per valutare diverse strategie di attacco o difesa, valutando le probabilità di successo, le conseguenze delle azioni e le possibili reazioni degli avversari. Aiuta a prendere decisioni informate e a valutare le migliori opzioni disponibili in base alla situazione di gioco.

Schemi predeterminati: gli algoritmi decisionali non sono veri e propri sistemi intelligenti. Si tratta per lo più di schemi predeterminati da utilizzare in particolari situazioni. Inoltre, sono fortemente dipendenti dalla capacità di prevedere tutte le possibili situazioni di contingenza e sulla conoscenza delle migliori azioni possibili. Ciò causa un forte allungamento dei tempi della progettazione iniziale della base di conoscenza e un elevato rischio di presenza di errori e omissioni. Sono particolarmente interessanti, invece, quando è lo stesso agente razionale a scrivere gli alberi decisionali sulla base dell'esperienza passata e dell'analisi dei feedback.

Cammino ciclico: un albero di ricerca AND-OR è soggetto al rischio dei cammini ciclici (loop). Il cammino ciclico si verifica quando uno stato corrente è uguale a uno degli stati precedenti del cammino. In tali casi l'agente razionale cade in un ragionamento ciclico che, molto spesso, può anche diventare infinito. Per evitare questo rischio è consigliabile inserire in un albero di ricerca AND-OR una funzione di controllo che eviti la ripetizione continua degli stati in un medesimo cammino. La funzione di controllo può evitare qualsiasi ripetizione degli stati oppure accettarli soltanto entro una soglia di tolleranza massima di tentativi, oltre la quale far scattare una routine di contingenza per uscire dall'impasse.

(*): L'ambiente non deterministico, detto anche ambiente stocastico, è un ambiente operativo in cui prevale una condizione di incertezza tra le cause e gli effetti. Lo stato corrente N dell'ambiente e le azioni dell'agente razionale non sono informazioni sufficienti per determinare con certezza lo stato successivo N+1 dell'ambiente operativo. In un ambiente non deterministico l'agente razionale non può calcolare con certezza gli effetti delle proprie azioni sull'ambiente. Per associare le azioni ai risultati l'agente razionale deve continuamente rilevare lo stato dell'ambiente che lo circonda. La seconda rilevazione (analisi dei risultati) è particolarmente importante nell'ambiente non deterministico e può rispondere a diverse necessità. In particolar modo, la rilevazione ex-post svolge due funzioni. 1) Analisi feed-back: permette di associare le azioni ai risultati al fine di ottenere un quadro probabilistico che consente di migliorare la conoscenza e l'esperienza. Questa funzione è alla base della costruzione automatica dei sistemi esperti; 2) Percezione: la rilevazione dell'ambiente esterno ex-post, oltre a consentire di verificare i risultati dell'azione, permette anche di ottenere una nuova fotografia dell'ambiente esterno per elaborare la decisione/azione successiva. In altri termini, in una sequenza decisionale la rilevazione ex-post della decisione N può coincidere con la rilevazione ex-ante della decisione N+1 purché i tempi di analisi dei risultati dell'azione N non siano troppo lunghi da rendere vecchia la fotografia dell'ambiente N+1.

Le informazioni di feedback (retroazione) consentono all'agente razionale di decidere sulla base dell'ambiente rilevato e non più sulla base dell'ambiente atteso. L'agente razionale può memorizzare ogni propria azione con i risultati ottenuti sull'ambiente e maturare una esperienza.

Torna al paragrafo 4.3 Prudenza e aggressività

Torna al paragrafo 4.7 Pianificazione di lungo periodo

Torna al paragrafo 5.2 Principali tattiche di gioco

Torna al paragrafo 5.5 Fasi della partita

Torna al paragrafo 5.5.3 Fase finale

Torna al paragrafo 5.5.4 Sdadata