德哈姆巴尔卡牌游戏的人工智能代理：比较研究

本研究通过系统性比较，对评估德哈姆巴尔(Dhumbal)这款具有文化意义的多人不完全信息卡牌游戏的人工智能(AI)代理。我们形式化了德哈姆巴尔的规则，实现了多样化的代理人，包括启发式方法(积极、保守、平衡、机遇导向)、搜索方法如蒙特卡洦树搜索(MCTS)和信息集合蒙特卡洦树搜索(ISMCTS)，以及强化学习方法包括深度Q网络(DQN)和近端策略优化(PPO)，以及随机基线。评估包括类别内锦标赛 followed by 跨类别锦标赛。通过获胜率、经济结果、Jhyap 成功率、每轮弃牌数、风险评估和决策效率等指标进行衡量。使用 Welch's t 检验进行统计显著性检验(施莫巴尔校正)，通过 Cohen's d 计算效应大小和 95% 置信区间(CI)。在 1024 轮模拟中，基于规则的积极代理人实现最高获胜率(88.3%，95% CI: [86.3, 90.3])，通过有效利用 Jhyap 声明而凌超 ISMCTS(9.0%)和 PPO(1.5%)。本研究贡献了一个可复现的AI框架、关于在部分信息下启发式方法有效性的见解，以及开源代码，从而推动了AI研究并支持了文化游戏的数字化保存。