Forschung & Schreiben
Akademie
Schreiben und Forschung über Softwareentwicklung, KI, Informatik und digitale Kultur.
Konferenzbeiträge
Monte-Carlo-Baumsuche: Eine Übersicht über Nachteile, Vorteile und Einschränkungen in komplexen Mehrspieler-Spielen
MCTS erlangte nach seinen Erfolgen in Go, Schach und Shogi an Bekanntheit, jedoch konzentrieren sich die meisten Studien auf Zweipersonenspiele mit perfekter Information. Dieses Papier analysiert MCTS in Mehrspieler-Digital- und Brettspielen, die häufig durch unvollständige Information gekennzeichnet sind. Basierend auf 18 aus 22 ausgewählten Arbeiten, die von IEEE Xplore, HAL Science Ouverte und Google Scholar (2013–2025) abgerufen wurden, identifiziert die Studie drei wiederkehrende strukturelle Einschränkungen: Rechenplateaus, blinde Flecken im taktischen Denken und Kompromisse bei der Gegnermodellierung.
Gegnermodellierung für das Training Monte-Carlo-Baumsuche-basierter Modelle im Brettspiel Citadels
Diese Arbeit untersucht, wie Gegnermodellierung das Training eines hybriden MCTS-RL-Frameworks beeinflusst, das auf das Mehrspielerbrettspiel Citadels mit versteckten Informationen, mehreren Spielern und Zeitbeschränkungen angewendet wird. Der Vorschlag entkoppelt Planung und Ausführung durch eine persistente Entscheidungsstruktur, die offline aus Simulationen aufgebaut wird, um die Online-Rechenkosten von MCTS zu reduzieren. In einer Simulationsumgebung mit Expertenagenten und einem zufälligen Agenten werden verschiedene Trainingseinheiten (einschließlich einer abwechslungsreichen Umgebung) nach Gewinnrate verglichen. Die Ergebnisse zeigen, dass die Diversität der Strategien im Training dazu neigt, einen robusteren und generalistischeren Agenten zu erzeugen als das Training gegen einzeln starke Gegner.