用于增强 FrozenLake 环境决策的优化蒙特卡洛树搜索
人工智能
2024-09-26 v1
摘要
蒙特卡洛树搜索（MCTS）是解决复杂决策问题的强大算法。本文提出了一种应用于 FrozenLake 环境的优化 MCTS 实现，这是一个以随机转换为特征的经典强化学习任务。该优化利用了累积奖励和访问计数表以及树的上置信界公式，从而在湿滑的网格世界中实现了高效学习。我们将我们的实现与其他决策算法进行了基准比较，包括带有策略的 MCTS 和 Q-Learning，并对其性能进行了详细比较。结果表明，我们优化的方法有效地最大化了奖励和成功率，同时最小化了收敛时间，优于基线方法，尤其是在具有固有随机性的环境中。
引用
@article{arxiv.2409.16620,
title = {Optimized Monte Carlo Tree Search for Enhanced Decision Making in the FrozenLake Environment},
author = {Esteban Aldana Guerra},
journal= {arXiv preprint arXiv:2409.16620},
year = {2024}
}