Исследования и написание
Академия
Написание и исследование в области программной инженерии, ИИ, вычислений и цифровой культуры.
Доклады на конференциях
Поиск по дереву Монте-Карло: обзор недостатков, преимуществ и ограничений в сложных многопользовательских играх
MCTS приобрёл известность после своих успехов в игре Go, шахматах и шогии, однако большинство исследований сосредоточены на двухигровых играх с полной информацией. В данной работе рассматривается MCTS в многопользовательских цифровых и настольных играх, которые часто характеризуются неполной информацией. На основе 18 статей, отобранных из 22, найденных в IEEE Xplore, HAL Science Ouverte и Google Scholar (2013–2025), исследование выявляет три повторяющихся структурных ограничения: вычислительные плато, слепые зоны в тактическом рассуждении и компромиссы в моделировании противника.
Моделирование противников для обучения моделей на основе метода Монте-Карло для деревьев решений в настольной игре Citadels
Данная работа исследует, как моделирование противников влияет на обучение гибридного MCTS-RL фреймворка, применённого к многопользовательской настольной игре Citadels со скрытой информацией, несколькими игроками и временными ограничениями. Предложение разделяет планирование и исполнение посредством персистентной структуры решений, построенной офлайн из симуляций, сокращая онлайн-вычислительные затраты MCTS. В симуляционной среде с агентами-экспертами и случайным агентом различные сессии обучения (включая разнообразную среду) сравниваются по частоте побед. Результаты показывают, что разнообразие стратегий в обучении, как правило, позволяет создать более надёжного и универсального агента, чем обучение против индивидуально сильных противников.