Ricerca ad Albero Monte Carlo Persistente per Agenti in Ambienti Complessi: Uno Studio di Caso su Citadels

Astratto

Il processo decisionale in giochi multiplayer con osservabilità parziale pone sfide significative a causa delle informazioni nascoste e degli elevati fattori di ramificazione. Questo studio introduce un framework di Ricerca ad Albero Monte Carlo (MCTS) persistente, progettato per operare in modo efficiente in tali ambienti, utilizzando il gioco da tavolo strategico Citadels come caso di studio. Il contributo principale è il disaccoppiamento tra la fase di costruzione dell'albero e la fase di applicazione: gli alberi di decisione vengono generati offline attraverso simulazioni dell'ambiente, e le statistiche rilevanti vengono memorizzate in forma tabellare, consentendo query rapide durante l'esecuzione senza necessità di simulazioni aggiuntive. La valutazione sperimentale dimostra che l'esposizione ad avversari diversi durante l'addestramento produce modelli con strategie robuste e generalizzabili, capaci di ottenere buone prestazioni in un'ampia gamma di scenari di gioco. In particolare, i modelli addestrati in un ambiente in cui gli avversari venivano campionati stocasticamente hanno costantemente superato quelli addestrati contro un singolo tipo di avversario e hanno mostrato prestazioni stabili tra le diverse sessioni di addestramento. Questi risultati sottolineano l'efficacia di combinare MCTS con la memorizzazione persistente della conoscenza per produrre agenti veloci, affidabili e adattabili in domini complessi.