XiaoMi-AI文件搜索系统
World File Search SystemMicroRTS
人工智能和实时战略游戏
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。
指引我！综合程序化策略的双层搜索
程序化策略的综合需要在计算机程序的大型不可微空间中进行搜索。当前的搜索算法使用自对弈方法来指导搜索。这些方法的问题在于，指导函数通常提供的搜索信号较弱。这是因为自对弈函数仅衡量程序相对于其他程序的表现。因此，虽然对失败程序的微小更改可能不会将其转变为获胜程序，但这种更改可能代表着朝着获胜程序迈出的一步。在本文中，我们引入了一种双层搜索算法，该算法同时在程序空间和状态特征空间中进行搜索。特征空间中的每次搜索迭代都会定义程序空间中的搜索试图实现的一组目标特征（即，在遵循程序中编码的策略时观察到的特征）。我们假设自对弈函数和基于特征的函数的组合为综合提供了更强的搜索信号。虽然这两个函数都用于指导程序空间中的搜索，但自对弈函数用于指导特征空间中的搜索，以便选择更有可能导致获胜程序的目标特征。我们在实时战略游戏 MicroRTS 中评估了我们的双层算法。我们的结果表明，双层搜索综合了比仅在程序空间中搜索的方法更强大的策略。此外，我们的方法综合的策略在模拟锦标赛中获得了最高的获胜率，其中包括来自最近两次 MicroRTS 比赛的最佳代理。