跳到正文
arXiv cs.AI· Yiyu Qian, Tim Miller, Liyuan Zhao·· 4 小时前AI 评分18

用过程挖掘解释多智能体 MCTS-minimax 混合博弈策略:3v3 跳棋研究

Exploring Explainable Multi-agent MCTS-minimax Hybrids in Board Game Using Process Mining

AI 导读

研究将浅层 minimax 搜索融入多智能体 MCTS 的 rollout 阶段,并用过程挖掘技术解释智能体在 3v3 跳棋中的策略。该工作针对 MCTS 构建高选择性搜索树、可能漏掉关键走法并落入战术陷阱的弱点,以全宽 minimax 搜索作为补充方案。论文共 38 页,属于 AAAI 2025 PRL。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:蒙特卡洛树搜索(MCTS)是一类基于采样的搜索算法,广泛用于序贯决策领域中的在线规划,也是近期许多人工智能进展的核心。由于模拟大量可能的未来、对其评估以及它们之间的关系,往往会产生规模庞大且复杂的搜索树,因此开发者与用户难以理解 MCTS 智能体的行为。本文介绍了我们正在进行的关于 MCTS 决策与行为潜在解释的研究。MCTS 的一个弱点是它构建的树具有高度选择性,因此可能错过关键着法并落入战术陷阱。全宽极小极大搜索构成了解决方案。我们将浅层极小极大搜索集成到多智能体 MCTS 的 rollout 阶段,并使用过程挖掘技术来解释 3v3 跳棋中智能体的策略。
评论: 38 页,AAAI 2025 PRL
主题: 人工智能(cs.AI)
引用为: arXiv:2503.23326 [cs.AI]
  (或 arXiv:2503.23326v4 [cs.AI] 用于此版本)
  https://doi.org/10.48550/arXiv.2503.23326

由 DataCite 颁发的 arXiv DOI

提交历史

来自:Yiyu Qian [查看邮箱]
[v1] 2025 年 3 月 30 日周日 05:48:53 UTC(37,832 KB)
[v2] 2025 年 5 月 20 日周二 14:09:58 UTC(37,874 KB)
[v3] 2025 年 9 月 24 日周三 14:08:00 UTC(17,622 KB)
[v4] 2026 年 11 月 17 日周二 06:47:02 UTC(17,614 KB)

来源:arXiv cs.AI · arxiv.org