机构名称：
¥ 6.0
随着人工智能的不断进步，应用程序希望 AI 能够像人类一样出色地执行任务，甚至比人类更好。测试理论应用的一个好方法是通过简单到复杂的游戏。过去几年，人工智能模型已用于实时战略游戏，但它们的实现仍处于初级阶段，还有许多工作要做。研究问题是蒙特卡罗（当今世界一种著名的算法）如何得到改进，无论是在一般情况下还是在实时战略游戏的背景下。实施实验设计是主要的研究方法。之所以选择这种技术，是因为它提供了与未探索的想法进行对比的最清晰的框架。研究问题围绕改进蒙特卡罗方法展开，特别是在 MicroRTS（一种流行的 AI 算法测试环境）中。由于研究的目标是增强用于战略游戏的蒙特卡罗树搜索 (MCTS) 算法，因此将对传统的 MCTS 实现（MCTS Greedy 和 MCTS UCB）和独特的建议 MCTS（MCTS UCB+）进行比较。比较分析是通过在 RTS 环境中对每种算法的性能进行基准测试，并根据几个标准比较结果来完成的。研究发现，通过改变采样和选择方法以及对游戏状态的理解，新算法 MCTS UCB+ 能够在 MicroRTS 的部分可观察游戏模式下超越其前辈。
人工智能和实时战略游戏
主要关键词
相关文件推荐
