Ricerca e Scrittura
Accademia
Scrittura e ricerca su ingegneria del software, IA, informatica e cultura digitale.
Articoli di Conferenza
Monte Carlo Tree Search: una revisione di svantaggi, vantaggi e limiti nei giochi multiplayer complessi
MCTS ha guadagnato notorietà dopo i suoi successi in Go, Scacchi e Shogi, ma la maggior parte degli studi si concentra su giochi a due giocatori con informazioni perfette. Questo articolo analizza MCTS nei giochi digitali e da tavolo multigiocatore, che sono spesso caratterizzati da informazioni imperfette. Basandosi su 18 articoli selezionati da 22 recuperati da IEEE Xplore, HAL Science Ouverte e Google Scholar (2013–2025), lo studio individua tre limitazioni strutturali ricorrenti: plateau computazionali, punti ciechi nel ragionamento tattico e compromessi nella modellazione degli avversari.
Modellazione degli Avversari per l'Addestramento di Modelli Basati sulla Ricerca ad Albero Monte Carlo nel Gioco da Tavolo Citadels
Questo lavoro studia come la modellazione degli avversari influenzi l'addestramento di un framework ibrido MCTS-RL applicato al gioco da tavolo multiplayer Citadels, caratterizzato da informazioni nascoste, più giocatori e vincoli temporali. La proposta disaccoppia pianificazione ed esecuzione attraverso una struttura decisionale persistente costruita offline da simulazioni, riducendo il costo computazionale online di MCTS. In un ambiente di simulazione con agenti esperti e un agente casuale, vengono confrontate diverse sessioni di addestramento (incluso un ambiente variato) per tasso di vittoria. I risultati indicano che la diversità delle strategie nell'addestramento tende a produrre un agente più robusto e generalista rispetto all'addestramento contro avversari individualmente forti.