BriefGPT - AI 论文速递
·
胜利贪吃蛇：多轮ASP中的设计选择
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种新的游戏搜索算法PN-MCTS，结合了Monte-Carlo树搜索和证明数搜索。实验结果表明，在不同的时间设置中，PN-MCTS在多个游戏领域中表现优于MCTS，其中Lines of Action的胜率高达96.2%。
🎯
关键要点
- 提出了一种新的游戏搜索算法PN-MCTS，结合了Monte-Carlo树搜索和证明数搜索。
- 定义了三个领域，利用MCTS树中收集的证明和反证号提供的额外知识。
- 在不同的时间设置中测试了所有可能的组合，并与多个游戏进行了对抗。
- 实验结果表明，PN-MCTS在5个游戏领域中表现优于MCTS，胜率高达96.2%（Lines of Action）。
➡️
