Prohledávání v hrách s nedokonalou informací mimo poker

Abstract

Teorie her analyzuje jak se mají agenti optimálně rozhodovat aby dosáhli svých zájmů.Byla využita k řešení složitých her, jako jsou šachy nebo poker.Tato práce se zaměřuje na dvouhráčové hry s nulovým součtem a nedokonalou informací, kde agenti musí činit své rozhodnutí za nejistoty o skutečném stavu světa.Zkoumáme prohledávací algoritmy jak pro offline, tak pro online hraní, a poskytujeme nové vhledy do jejich garancí.Kromě popisu stávajících metod zavádíme nové techniky, jako je meta-učení k urychlení nalezení ekvilibrií nebo Monte Carlo algoritmy kombinované s opakovaným řešením (MCCR) pro výpočet strategií online.Také navrhujeme přístup založený na částicových neuronových sítích pro zvládnutí exponenciálního růstu počtu stavů v hrách s nedokonalou informací.Tyto inovace mají za cíl učinit algoritmy pro řešení her škálovatelnějšími a lépe uplatnitelnými na složité reálné scenáře.

Game theory provides a framework for understanding optimal decision-making with self-interested agents.It has been used to solve complex games like Chess or Poker.This thesis focuses on two-player zero-sum games with imperfect information, where agents must make decisions under uncertainty.We investigate both offline and online game-playing algorithms and search methods, offering insights into their guarantees.In addition to charaterizing existing methods, we introduce new techniques, including a meta-learning framework to speed up finding equilibria and Monte Carlo Continual Resolving (MCCR) for online strategy computation.A particle-based neural network approach is also proposed to manage the exponential growth of belief states in imperfect-information games.These innovations aim to make game-solving algorithms more scalable and applicable to a wider range of complex, real-world scenarios