11:02
官方账号arXiv cs.AI@Jakub Kowalski, Adam Ciężkowski, Artur Krzyżyński, Mark H. M. Winands
推荐理由：这篇论文给做游戏AI的同行提供了一个很实用的优化思路：不用固定分配计算资源，而是根据搜索情况动态调整，实测对三个桌游都有明显提升。
动态资源分配
共 1 条相关 AI 资讯
7月15日
11:02
该论文针对高不确定性对抗游戏（如Jaipur、Lost Cities、Splendor）中的蒙特卡洛树搜索（MCTS）进行改进，提出两种动态资源分配方法：Dynamic Number of Determinizations根据搜索表现动态调整当前使用的determinization树数量；Dynamic Simulation Allocation根据模拟间决策非均匀分配模拟预算到不同树中。在迭代和时间限制测试下，特定配置相比基线算法在统计上显著提升了强度（p<0.05）。实验基于三个流行桌面游戏，展示了方法在随机和隐藏信息环境中的有效性。