Изменить: Усложненный полный исходный код, если вы хотите узнать, можете ли вы улучшить работу ИИ: https://www.dropbox.com/s/ous72hidygbnqv6/MCTS_TTT.rar
Изменить: выполняется поиск в поисковом пространстве и происходит перемещение в результате потери. Но действия, приводящие к потерям, часто не посещаются из-за алгоритма UCT.
Чтобы узнать о MCTS (Поиск по дереву Монте-Карло), я использовал алгоритм для создания ИИ для классической игры tic-tac-toe. Я реализовал алгоритм, используя следующий дизайн:
Политика дерева основана на UCT, а политика по умолчанию - выполнять произвольные ходы до окончания игры. То, что я наблюдал при моей реализации, заключается в том, что компьютер иногда совершает ошибочные шаги, потому что он не может "видеть", что конкретный ход приведет к потере напрямую.
Например:
Обратите внимание, что действие 6 (красный квадрат) оценивается немного выше, чем синий квадрат, и поэтому компьютер отмечает это пятно. Я думаю, это связано с тем, что игровая политика основана на случайных ходах, и поэтому существует хорошая вероятность, что человек не поместит "2" в синюю коробку. И если игрок не помещает 2 в синюю коробку, компьютер gaurenteed выигрывает.
Мои вопросы
1) Является ли это известной проблемой с MCTS или это результат неудачной реализации?
2) Какие могут быть возможные решения? Я думаю об ограничении ходов на этапе выбора, но я не уверен: -)
Код для основного MCTS:
//THE EXECUTING FUNCTION
public unsafe byte GetBestMove(Game game, int player, TreeView tv)
{
//Setup root and initial variables
Node root = new Node(null, 0, Opponent(player));
int startPlayer = player;
helper.CopyBytes(root.state, game.board);
//four phases: descent, roll-out, update and growth done iteratively X times
//-----------------------------------------------------------------------------------------------------
for (int iteration = 0; iteration < 1000; iteration++)
{
Node current = Selection(root, game);
int value = Rollout(current, game, startPlayer);
Update(current, value);
}
//Restore game state and return move with highest value
helper.CopyBytes(game.board, root.state);
//Draw tree
DrawTree(tv, root);
//return root.children.Aggregate((i1, i2) => i1.visits > i2.visits ? i1 : i2).action;
return BestChildUCB(root, 0).action;
}
//#1. Select a node if 1: we have more valid feasible moves or 2: it is terminal
public Node Selection(Node current, Game game)
{
while (!game.IsTerminal(current.state))
{
List<byte> validMoves = game.GetValidMoves(current.state);
if (validMoves.Count > current.children.Count)
return Expand(current, game);
else
current = BestChildUCB(current, 1.44);
}
return current;
}
//#1. Helper
public Node BestChildUCB(Node current, double C)
{
Node bestChild = null;
double best = double.NegativeInfinity;
foreach (Node child in current.children)
{
double UCB1 = ((double)child.value / (double)child.visits) + C * Math.Sqrt((2.0 * Math.Log((double)current.visits)) / (double)child.visits);
if (UCB1 > best)
{
bestChild = child;
best = UCB1;
}
}
return bestChild;
}
//#2. Expand a node by creating a new move and returning the node
public Node Expand(Node current, Game game)
{
//Copy current state to the game
helper.CopyBytes(game.board, current.state);
List<byte> validMoves = game.GetValidMoves(current.state);
for (int i = 0; i < validMoves.Count; i++)
{
//We already have evaluated this move
if (current.children.Exists(a => a.action == validMoves[i]))
continue;
int playerActing = Opponent(current.PlayerTookAction);
Node node = new Node(current, validMoves[i], playerActing);
current.children.Add(node);
//Do the move in the game and save it to the child node
game.Mark(playerActing, validMoves[i]);
helper.CopyBytes(node.state, game.board);
//Return to the previous game state
helper.CopyBytes(game.board, current.state);
return node;
}
throw new Exception("Error");
}
//#3. Roll-out. Simulate a game with a given policy and return the value
public int Rollout(Node current, Game game, int startPlayer)
{
Random r = new Random(1337);
helper.CopyBytes(game.board, current.state);
int player = Opponent(current.PlayerTookAction);
//Do the policy until a winner is found for the first (change?) node added
while (game.GetWinner() == 0)
{
//Random
List<byte> moves = game.GetValidMoves();
byte move = moves[r.Next(0, moves.Count)];
game.Mark(player, move);
player = Opponent(player);
}
if (game.GetWinner() == startPlayer)
return 1;
return 0;
}
//#4. Update
public unsafe void Update(Node current, int value)
{
do
{
current.visits++;
current.value += value;
current = current.parent;
}
while (current != null);
}
