Sztuczna Inteligencja · 2025Trwała Przeszukiwanie Drzewa Monte Carlo dla Agentów Działających w Złożonych Środowiskach: Studium Przypadku Citadels
Podejmowanie decyzji w wieloosobowych grach z częściową obserwowalnością stawia istotne wyzwania ze względu na ukryte informacje i duże współczynniki rozgałęzień. W niniejszym badaniu przedstawiono trwały framework Monte Carlo Tree Search (MCTS), zaprojektowany do efektywnego działania w takich środowiskach, z wykorzystaniem strategicznej gry planszowej Citadels jako studium przypadku. Kluczowym wkładem jest rozdzielenie fazy budowania drzewa od fazy stosowania: drzewa decyzyjne są generowane w trybie offline przez symulacje środowiska, a odpowiednie statystyki są przechowywane w formie tabelarycznej, umożliwiając szybkie zapytania podczas wykonywania bez potrzeby dodatkowych symulacji. Ocena eksperymentalna pokazuje, że ekspozycja na różnorodnych przeciwników podczas treningu daje modele z odpornymi i uogólnialnymi strategiami, zdolne do osiągania wysokich wyników w szerokim zakresie scenariuszy gry. W szczególności modele trenowane w środowisku, w którym przeciwnicy byli losowo próbkowani, konsekwentnie przewyższały te trenowane przeciwko jednemu typowi przeciwnika i wykazywały stabilne wyniki w kolejnych uruchomieniach treningowych. Wyniki te podkreślają skuteczność łączenia MCTS z trwałym przechowywaniem wiedzy w celu tworzenia szybkich, niezawodnych i adaptowalnych agentów w złożonych domenach.
