蒙特卡洛树搜索

第5篇（上）· 使用 PyQt5 实现 2048 算法求解版：五类搜索算法内核第 3 篇建立了 PyQt5 桌面版与 MVC 架构，第 4 篇补齐了平滑动画与渲染优化，两篇解决的是"2048 能不能玩"。本文转向另一个问题：给定一个 4 × 4 4\times4 4×4 局面，如何计算出一个可靠的方向。该问题可以形式化为带随机性的序贯决策问题（stochastic sequential decision problem）：评估函数刻画对当前局面的估值，搜索策略决定向前展望的深度。内容较多，本文（上篇）只讨论求解内核，界面集成与交互留待下篇。

【arXiv 2020】KataGo：把自对弈学习加速 50 倍｜从围棋 AI 训练效率视角本文解读 arXiv 2020 论文《Accelerating Self-Play Learning in Go》。该论文提出KataGo 自对弈训练流程，通过融合playout 上限随机化、策略目标剪枝、全局池化与辅助预测目标，只用 19 天、约 1.4 GPU-年就从随机棋开始训练出超越 ELF OpenGo 最终模型的围棋 AI，其特别之处在于约 50 倍的计算量缩减大部分来自与围棋无关的通用改进。实验表明各改进组件独立消融的加速乘积约为 9.1 倍（且被低估），为自对弈强化学习的数据效率工程提供了

王树森深度强化学习DRL（三）围棋AlphaGo+蒙特卡洛深度强化学习(5_5)：AlphaGo_哔哩哔哩_bilibili蒙特卡洛 Monte Carlo_哔哩哔哩_bilibili

我是有底线的