MCTS
一种基于随机采样的博弈搜索算法，通过大量随机模拟对局估计落子胜率，使用UCB公式平衡探索与利用，无需人工设计评估函数，因AlphaGo的成功而广为人知
核心事实
时间轴 (近 90 天)
MCTS 的基本思路是反复进行'选择—扩展—模拟—回溯'四步，逐步构建博弈树，通常用 PUCT 公式结合网络输出的先验概率和累计价值。
物质启发式融合了手工设计的位置评估（接近目标程度、两架无人机间距、炮塔暴露角度）与网络价值头，在 MCTS 搜索过程中共同作用。
AlphaZero 的核心技术组合包括 MCTS 用于前瞻性评估走子，以及深度神经网络同时输出策略头（各动作先验概率）和价值头（当前局面的期望胜负）。
蒙特卡洛树搜索（MCTS）是一种通过在决策树中反复采样来估计动作价值的在线规划方法。
在Stratego中简单将隐藏棋子随机赋值再跑MCTS会导致AI系统性地高估某些进攻路线的安全性
Harness Router 采用三层分层决策策略：快速通道、Jev 和 MCTS，根据决策复杂度自动匹配处理路径
MCTS 通过反复模拟随机 rollout 来估算决策节点价值，循环迭代选择、扩展、模拟、反向传播四个阶段，将计算资源集中在最有希望的分支上
Harness Router 支持对复杂多步决策场景升级使用 MCTS（蒙特卡洛树搜索）
可分叉状态对MCTS等需要反复模拟未来分支的算法以及反事实推理训练极具价值，因为这类算法要求环境能高效保存与恢复状态
MCTS核心循环分四步：选择、扩展、模拟（rollout）、回传
还有 11 条时间轴事件
全部知识事实 (20)
蒙特卡洛树搜索（MCTS）是围棋AI搜索棋局的核心算法之一，在AlphaGo之前已是围棋程序的主流技术
65%待验证MCTS是AlphaGo、MuZero等系统的规划核心，其核心循环包含选择、扩展、模拟和反向传播四个步骤
60%待验证MCTS 的基本思路是反复进行'选择—扩展—模拟—回溯'四步，逐步构建博弈树，通常用 PUCT 公式结合网络输出的先验概率和累计价值。
50%待验证AlphaZero 的核心技术组合包括 MCTS 用于前瞻性评估走子，以及深度神经网络同时输出策略头（各动作先验概率）和价值头（当前局面的期望胜负）。
50%待验证物质启发式融合了手工设计的位置评估（接近目标程度、两架无人机间距、炮塔暴露角度）与网络价值头，在 MCTS 搜索过程中共同作用。
50%待验证蒙特卡洛树搜索（MCTS）是一种通过在决策树中反复采样来估计动作价值的在线规划方法。
50%待验证在Stratego中简单将隐藏棋子随机赋值再跑MCTS会导致AI系统性地高估某些进攻路线的安全性
50%待验证Harness Router 采用三层分层决策策略：快速通道、Jev 和 MCTS，根据决策复杂度自动匹配处理路径
50%待验证Harness Router 支持对复杂多步决策场景升级使用 MCTS（蒙特卡洛树搜索）
50%待验证MCTS 通过反复模拟随机 rollout 来估算决策节点价值，循环迭代选择、扩展、模拟、反向传播四个阶段，将计算资源集中在最有希望的分支上
50%待验证可分叉状态对MCTS等需要反复模拟未来分支的算法以及反事实推理训练极具价值，因为这类算法要求环境能高效保存与恢复状态
50%待验证MCTS核心循环分四步：选择、扩展、模拟（rollout）、回传
50%待验证反事实评估器对每个分歧点重建决策状态，克隆两份分别施加两个模型的动作，再从两个局面运行更深的无引导MCTS作为中立裁判
50%待验证蒙特卡洛树搜索（MCTS）不依赖人工设计的评估函数，通过大量随机模拟对局估计每个落子的胜率，并用UCB公式平衡探索与利用
50%待验证AlphaGo的成功令蒙特卡洛树搜索方法广为人知
50%待验证对于终极井字棋这样的完全信息博弈，常见技术路线包括Minimax配合Alpha-Beta剪枝、MCTS以及评估函数的启发式设计
50%待验证METIS-Core 实现了原生运行的 AlphaZero 自对弈循环，其中蒙特卡洛树搜索（MCTS）以多线程方式在 C++ 中执行
50%待验证应对Agent误差累积的策略包括蒙特卡洛树搜索式前瞻规划、分层规划以及基于置信度的自适应执行
50%待验证AlphaGo Zero由DeepMind于2017年发布，使用蒙特卡洛树搜索结合深度神经网络，完全不依赖人类棋谱从零开始训练
50%待验证AlphaGo将深度神经网络与蒙特卡洛树搜索（MCTS）相结合，策略网络预测走法，价值网络评估胜率，训练先用人类棋谱监督学习再通过自我对弈强化学习
50%