В данной статье предлагаются улучшения для ансамблевого детерминизации Monte Carlo Tree Search (MCTS) путем введения двух осей динамического распределения ресурсов: динамического числа детерминизаций и динамического распределения симуляций.
- Динамическое число детерминизаций корректирует количество деревьев детерминизации в зависимости от поведения поиска.
- Динамическое распределение симуляций неравномерно распределяет бюджет симуляций по деревьям для максимизации прироста знаний.
- Метод был протестирован в играх Jaipur, Lost Cities и Splendor с использованием настроек на основе итераций и времени.
Эти конфигурации приводят к статистически значимому увеличению силы алгоритма.