Recherche & Rédaction

Academia

Articles, recherches et notes techniques sur l'ingénierie logicielle, l'intelligence artificielle et la culture numérique.

Articles de conférence

Intelligence artificielle · October 2026

Recherche arborescente de Monte-Carlo : une revue des inconvénients, des avantages et des limites dans les jeux multijoueurs complexes

MCTS a gagné en notoriété après ses succès dans le Go, les échecs et le Shogi, mais la plupart des études se concentrent sur les jeux à deux joueurs avec information parfaite. Cet article analyse le MCTS dans les jeux numériques et de plateau multijoueurs, qui sont souvent caractérisés par une information imparfaite. Sur la base de 18 articles sélectionnés parmi 22 récupérés sur IEEE Xplore, HAL Science Ouverte et Google Scholar (2013–2025), l'étude identifie trois limitations structurelles récurrentes : plateaux computationnels, points aveugles dans le raisonnement tactique et compromis dans la modélisation des adversaires.

Intelligence Artificielle · November 2025

Modélisation des Adversaires pour l'Entraînement de Modèles Basés sur la Recherche Arborescente de Monte Carlo dans le Jeu de Société Citadels

Ce travail examine comment la modélisation des adversaires influence l'entraînement d'un framework hybride MCTS-RL appliqué au jeu de société multijoueur Citadels, qui présente des informations cachées, plusieurs joueurs et des contraintes de temps. La proposition découple la planification et l'exécution grâce à une structure de décision persistante construite hors ligne à partir de simulations, réduisant le coût computationnel en ligne du MCTS. Dans un environnement de simulation avec des agents experts et un agent aléatoire, différentes sessions d'entraînement (dont un environnement varié) sont comparées par taux de victoire. Les résultats indiquent que la diversité des stratégies lors de l'entraînement tend à produire un agent plus robuste et généraliste que l'entraînement contre des adversaires individuellement forts.

Thèses et mémoires

Intelligence Artificielle · 2025

Recherche Arborescente de Monte Carlo Persistante pour des Agents Opérant dans des Environnements Complexes : Une Étude de Cas sur Citadels

La prise de décision dans des jeux multijoueurs à observabilité partielle pose des défis significatifs en raison des informations cachées et des facteurs de branchement élevés. Cette étude présente un framework de Recherche Arborescente de Monte Carlo (MCTS) persistant, conçu pour fonctionner efficacement dans de tels environnements, en utilisant le jeu de société stratégique Citadels comme étude de cas. La contribution principale est le découplage entre la phase de construction de l'arbre et la phase d'application : les arbres de décision sont générés hors ligne par des simulations de l'environnement, et les statistiques pertinentes sont stockées sous forme tabulaire, permettant des requêtes rapides lors de l'exécution sans nécessiter de simulations supplémentaires. L'évaluation expérimentale démontre que l'exposition à des adversaires variés pendant l'entraînement produit des modèles avec des stratégies robustes et généralisables, capables d'obtenir de bonnes performances dans un large éventail de scénarios de jeu. En particulier, les modèles entraînés dans un environnement où les adversaires étaient échantillonnés de manière stochastique ont systématiquement surpassé ceux entraînés contre un seul type d'adversaire et ont montré des performances stables entre les séances d'entraînement. Ces résultats soulignent l'efficacité de combiner MCTS avec un stockage persistant des connaissances pour produire des agents rapides, fiables et adaptables dans des domaines complexes.