基于蒙特卡罗树搜索的 Quoridor AI 是一个抽象的策略游戏，在 81 (9x9) 个正方形的棋盘上玩，目标是让你的棋子到棋盘的另一边。 这个玩 Quoridor 的 AI 代理基于 。 纯 MCTS 导致性能不佳。 应用一些启发式方法后，性能得到了显着提高。 我在树搜索的选择、扩展和模拟阶段（以及搜索后的后期处理）添加了启发式方法。 您可以在下面的“包含的一些启发式方法”部分中看到其中的一些。 如果您想查看所有启发式方法或其实现细节，请参阅源代码中的注释。 （找到“启发式”这个词。） 您可以在网站（或 Web 应用程序） 上与此 AI 对战。 网站上每个 AI 级别的每次移动推出次数如下。 等级 每次移动的卷展栏 新手 2,500 平均 7,500 好的 20,000 强的 60,000 最新版本 (v0.3) 中包含的一些启发式方法 Quoridor 的分支因子很

很棒的蒙特卡洛树搜索论文。 ⠀ ⠀⠀ 蒙特卡罗树搜索论文的精选列表，其中包含来自以下会议/期刊的实现： 机器学习 计算机视觉 自然语言处理 数据 人工智能 UAI 机器人RAS 游戏CIG 关于图分类、梯度提升、分类/回归树、欺诈检测和社区检测论文的类似集合以及实现。 2021年 学习停止：动态模拟蒙特卡罗树搜索（AAAI 2021） Li-Cheng Lan, Ti-Rong Wu, I-Chen Wu, Cho-Jui Hsieh [纸] Dec-SGTS：多代理协调的分散子目标树搜索（AAAI 2021） 李明龙、蔡忠轩、杨文静、吴丽霞、徐颖慧、王季 [纸] 改进的 POMDP 树搜索规划与优先行动分支 (AAAI 2021) 约翰·默恩、阿尼尔·耶尔迪兹、劳伦斯·布什、Tapan Mukerji、Mykel J. Kochenderfer [纸]

临时制TSP 这是使用蒙特卡洛树搜索（MCTS）解决旅行商问题（TSP）的源代码。 纸 如果您想了解更多详细信息，请参阅我们的论文“通过蒙特卡罗树搜索TSP的扩大邻域目标抽样” 。 依存关系 gcc> = 4.8.5 计算平台：Linux 快速开始 为了使用MCTS解决具有20个节点的TSP实例： cd $download -dir cd TSP-20-50-100 bash solve-20.sh 32 用法 数据集 我们的模型分别在两个数据集TSP-20-50-100和TSPLib上进行了测试，可从以下网站下载该数据集： 多线程 如果更快地解决TSP实例，则可以充分利用CPU。 默认情况下，我们基于32个线程来处理它们： cd $download -dir cd TSP-20-50-100 bash solve-20.sh 32 顺便说一下，我们的多线程方案仅适用于TSP-2

ConnectFourAi 仍在进行中。