Σύστημα προσομοίωσης βασισμένο στο Monte Carlo Tree Search για αυτοματοποιημένο σχεδιασμό στρατηγικών παιχνιδιού : μελέτη περίπτωσης στην πολυδιάστατη τρίλιζα

Abstract

Η παρούσα μεταπτυχιακή διατριβή εξετάζει την εφαρμογή και την πειραματική αξιολόγηση του αλγορίθμου Monte Carlo Tree Search (MCTS) στο παιχνίδι της Τρίλιζας (tic-tac-toe). Στόχος είναι η διερεύνηση της σχέσης ανάμεσα στην ποιότητα λήψης αποφάσεων και στο υπολογιστικό κόστος, με έμφαση σε παραμέτρους όπως ο αριθμός προσομοιώσεων και ο συντελεστής εξερεύνησης. Η μελέτη περιλαμβάνει συγκριτικά πειράματα MCTS έναντι τυχαίου παίκτη και ανθρώπινου αντιπάλου, τόσο σε κλασική διάταξη 3×3 όσο και σε μεγαλύτερο πίνακα 5×5, με καταγραφή μετρικών απόδοσης (χρόνος απόκρισης, χρήση CPU, μνήμης) και στατιστικών αποτελεσμάτων (ποσοστά νικών, ισοπαλιών, ήττων). Τα αποτελέσματα δείχνουν ότι ο MCTS υπερέχει απόλυτα έναντι μη στρατηγικών αντιπάλων ακόμη και με περιορισμένες προσομοιώσεις, ενώ απέναντι σε ανθρώπινους παίκτες και σε πιο σύνθετα περιβάλλοντα απαιτείται μεγαλύτερο πλήθος προσομοιώσεων για ανταγωνιστική απόδοση. Η εργασία καταλήγει σε συμπεράσματα για την αποδοτικότητα και τα όρια του MCTS και προτείνει μελλοντικές επεκτάσεις σε πιο σύνθετα περιβάλλοντα λήψης αποφάσεων.