Una Optimización Eficiente del Algoritmo de Búsqueda de Árboles de Monte Carlo para Amazons

Amazons es un juego de mesa computarizado con posiciones complejas que son muy desafiantes para los humanos. En este artículo, proponemos una optimización eficiente del algoritmo de búsqueda de árboles de Monte Carlo (MCTS) para Amazons, fusionando la estrategia de ‘Grupos de Movimiento’ y la estrategia de optimización ‘Evaluación Paralela’ (MG-PEO). Específicamente, explicamos la alta eficiencia de la estrategia de Grupos de Movimiento al definir un nuevo criterio: la distancia de convergencia ganadora. También destacamos el posible problema de la estrategia de caer en un óptimo local y proponemos que el mecanismo de Evaluación Paralela puede compensar esta deficiencia. Además, realizamos un riguroso análisis de rendimiento y experimentos. Los resultados del análisis de rendimiento indican que el algoritmo MCTS con la estrategia de Grupos de Movimiento puede mejorar la habilidad de juego del juego de Amazons de 20 a 30 veces en comparación con el algoritmo MCTS tradicional. La optimización de Evaluación Paralela mejora aún más la habilidad de juego del juego de Amazons de 2 a 3 veces. Los resultados experimentales muestran que el algoritmo MCTS con la estrategia MG-PEO logra un 23% más de tasa de victorias en promedio en comparación con el algoritmo MCTS tradicional. Además, el programa MG-PEO de Amazons propuesto en este artículo ganó el primer premio en la Competencia de Amazons en el Campeonato de Juegos de Computadora Universitarios de China 2023 y en el Torneo Nacional de Juegos de Computadora.