Monte Carlo Search Algorithms Discovering Monte Carlo Tree Search Exploration Terms

Dieses Kapitel untersucht die Verbesserung der Monte Carlo Tree Search (MCTS) -Algorithmen durch die Verwendung von Monte Carlo Search, wobei der Schwerpunkt auf der Entdeckung neuer Explorationsbegriffe liegt. Die Autoren stellen einen empirischen Ansatz zur Gestaltung von Explorationsbegriffen vor, bei dem nach dem Zufallsprinzip viele Begriffe generiert und diejenigen ausgewählt werden, die in der Praxis gut abschneiden. Diese Methode übertrifft traditionelle theoretische Analysen und wird auf den SHUSS-Algorithmus (Sequential Halving Using Scores) angewendet. Das Kapitel führt auch die AMAF before für ungleiche Playouts ein, was die Effizienz des Abtastungsprozesses verbessert. Experimentelle Ergebnisse zeigen die Wirksamkeit der vorgeschlagenen Methoden im Kontext des Go-Spiels, wobei der entdeckte Explorationsbegriff sowohl den Standard-SHUSS-Algorithmus als auch den kanonischen PUCT-Algorithmus übertrifft. Das Kapitel bietet einen detaillierten Überblick über die verwendeten Algorithmen, das Expression Discovery Game und den Versuchsaufbau, was es zu einer wertvollen Ressource für diejenigen macht, die sich für die Weiterentwicklung des MCTS-Bereichs interessieren.