Badania i pisanie
Środowisko akademickie
Pisanie i badania nad inżynierią oprogramowania, AI, informatyką i kulturą cyfrową.
Artykuły konferencyjne
Przeszukiwanie drzewa Monte Carlo: Przegląd wad, zalet i ograniczeń w złożonych grach wieloosobowych
MCTS zyskał popularność po sukcesach w Go, szachach i shogi, ale większość badań koncentruje się na grach dwuosobowych z pełną informacją. Niniejszy artykuł analizuje MCTS w wieloosobowych grach cyfrowych i planszowych, które często charakteryzują się niepełną informacją. Na podstawie 18 artykułów wybranych spośród 22 pobranych z IEEE Xplore, HAL Science Ouverte i Google Scholar (2013–2025), badanie identyfikuje trzy powtarzające się ograniczenia strukturalne: płytki obliczeniowe, ślepe punkty w rozumowaniu taktycznym oraz kompromisy w modelowaniu przeciwnika.
Modelowanie Przeciwników do Trenowania Modeli Opartych na Przeszukiwaniu Drzewa Monte Carlo w Grze Planszowej Citadels
Niniejsza praca bada, jak modelowanie przeciwników wpływa na trening hybrydowego frameworku MCTS-RL zastosowanego do wieloosobowej gry planszowej Citadels, która charakteryzuje się ukrytymi informacjami, wieloma graczami i ograniczeniami czasowymi. Propozycja oddziela planowanie od wykonania poprzez persistentną strukturę decyzyjną budowaną offline z symulacji, zmniejszając internetowe koszty obliczeniowe MCTS. W środowisku symulacyjnym z agentami-ekspertami i agentem losowym porównuje się różne sesje treningowe (w tym zróżnicowane środowisko) według wskaźnika wygranych. Wyniki wskazują, że różnorodność strategii w treningu ma tendencję do tworzenia bardziej robustenego i generalistycznego agenta niż trening przeciwko indywidualnie silnym przeciwnikom.