改进蒙特卡洛树搜索中的默认策略（推出策略）
Improving Default Policy(Rollout Policy) in Mont Carlo Tree Search
我已经在 python 中编写了 MCTS AI，现在，我正在努力改进它的第一次迭代。我被告知我需要改进我的推出功能。人工智能的目的是玩点和盒子的游戏。
现在，在收到游戏状态后，rollout 只是随机播放剩余的游戏。
推出：
while not state.is_terminal:
state.apply_move(choice(state.legal_moves))
我想知道如何通过更改 rollout 函数来改进 AI？
在点中，随机游戏可能很糟糕，因为它会 (1) 错失填充盒子的机会，以及 (2) 给对手填充盒子的机会，这两者都会使比赛变得不像真正的比赛。
所以，最简单的改变就是在播出中对动作进行排序。首先，如果可能的话，采取随机移动来填充一个盒子。其次，采取不让对手有机会填满方格的随机行动。最后，给对手一个填箱子的机会。 （但是，在这里你可能想要 select 让对手以高概率填充最小区域的移动。）
我已经在 python 中编写了 MCTS AI，现在，我正在努力改进它的第一次迭代。我被告知我需要改进我的推出功能。人工智能的目的是玩点和盒子的游戏。
现在，在收到游戏状态后，rollout 只是随机播放剩余的游戏。
推出：
while not state.is_terminal:
state.apply_move(choice(state.legal_moves))
我想知道如何通过更改 rollout 函数来改进 AI？
在点中，随机游戏可能很糟糕，因为它会 (1) 错失填充盒子的机会，以及 (2) 给对手填充盒子的机会，这两者都会使比赛变得不像真正的比赛。
所以，最简单的改变就是在播出中对动作进行排序。首先，如果可能的话，采取随机移动来填充一个盒子。其次，采取不让对手有机会填满方格的随机行动。最后，给对手一个填箱子的机会。 （但是，在这里你可能想要 select 让对手以高概率填充最小区域的移动。）