摘要
基于仿真的算法特别适合于高不确定性环境，例如具有显著随机性和隐藏信息的对抗性棋盘游戏。尤其是在这些领域中，几种蒙特卡洛树搜索（MCTS）变体被广泛使用。在本文中，我们提出了一系列针对集成确定性MCTS的增强方案，引入了动态资源分配的两个维度。
首先，动态确定性数量根据目前搜索的行为增加或减少当前使用的确定性树的数量。其次，动态仿真分配在确定性树之间不均匀地划分仿真预算，利用仿真之间的决策来选择可能带来最佳知识增益的树。
作为基准领域，我们使用了三款流行的桌面游戏：Jaipur、Lost Cities 和 Splendor。我们在迭代和时间基础设置中测试了所提出的增强方案，结果显示特定配置显著提高了算法的强度。
博主点评： 本文通过动态资源分配的策略有效提升了MCTS在复杂环境中的表现，展示了仿真算法在应对不确定性时的灵活性和适应性，值得在更多领域进行深入探索。