Os jogos RTS (Real-Time Strategy games) possuem um ambiente dinâmico, informações parciais do oponente e do mapa. Além disso, requerem dos jogadores gerenciamento da economia e recursos, criação e movimentação de unidades, construção de edifícios, aprimoramento de tecnologias e controle de embates contra oponentes. Todas essas características geram dificuldades nas aplicações de técnicas de inteligência artificial, tais como o grande número de estados, tempo de raciocínio limitado, recompensas em longo prazo e conjunto de ações combinatórias. Para isso, foi criado um modelo baseado em aprendizado por reforço, que primeiramente considera a escolha de comportamentos em alto nível em vez de ações básicas e que trata cada unidade como um agente independente. Dessa forma, as unidades escolherão scripts para definir seu próprio comportamento e aprendem as consequências de suas escolhas independentemente das outras. Além do mais, apresentamos uma função de aproximação linear para generalizar o aprendizado para estados similares e uma forma de agregação de conhecimento para acelerar o aprendizado. A coordenação ocorre de forma implícita e devido a recompensas baseadas no desempenho da equipe.