Σύστημα προσομοίωσης βασισμένο στο Monte Carlo Tree Search για αυτοματοποιημένο σχεδιασμό στρατηγικών παιχνιδιού : μελέτη περίπτωσης στην πολυδιάστατη τρίλιζα
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Πίσπας, Νικόλαος | |
| dc.date.accessioned | 2025-10-03T12:45:28Z | |
| dc.date.available | 2025-10-03T12:45:28Z | |
| dc.date.issued | 2025-09 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/18167 | |
| dc.description.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. | el |
| dc.format.extent | 67 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by/3.0/gr/ | * |
| dc.title | Σύστημα προσομοίωσης βασισμένο στο Monte Carlo Tree Search για αυτοματοποιημένο σχεδιασμό στρατηγικών παιχνιδιού : μελέτη περίπτωσης στην πολυδιάστατη τρίλιζα | el |
| dc.title.alternative | Monte Carlo Tree Search–based simulator for automatic game strategy design : an application on the game of multi-dimensional tic-tac-toe | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This thesis investigates the application and experimental evaluation of the Monte Carlo Tree Search (MCTS) algorithm in the game of Tic-Tac-Toe. The main objective is to examine the relationship between decision quality and computational cost, focusing on parameters such as simulation count and exploration constant. The study includes comparative experiments of MCTS against a random player and a human opponent, both on the classic 3×3 grid and a larger 5×5 board, recording performance metrics (response time, CPU and memory usage) and statistical outcomes (win, draw, loss rates). Results show that MCTS consistently outperforms non-strategic opponents even with limited simulations, while significantly more simulations are required to achieve competitive performance against human players and in more complex game settings. The thesis concludes with findings on the efficiency and limitations of MCTS and outlines future research directions in more complex decision-making environments. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής | el |
| dc.subject.keyword | Monte Carlo Tree Search (MCTS) | el |
| dc.subject.keyword | Decision-making algorithms | el |
| dc.subject.keyword | Artificial intelligence | el |
| dc.date.defense | 2025-09 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού 3.0 Ελλάδα
Αναφορά Δημιουργού 3.0 Ελλάδα