16年前、私はDrop7というパズルゲームで理想的な手を選ぼうとするJavaプログラムを書きました。各ターン、プレイヤーが次の手として選べるのはわずか7つですが、偶然の要素によって、この単純に見えるゲームは、探索、隠れた情報、長期的な計画、そして確率が絡む驚くほど難しい問題になります。
今週末、私は再び調査を始め、1ゲームあたり平均100万点を超える自律戦略があるかを問いました。熟練した人間のプレイヤーは、長期的な戦略的思考によって100万点に到達できますが、私が考案できた最良の自動戦略は現在、平均およそ30万〜40万点です。
これまでで最も有力な研究候補は、深さ4の探索の中で学習させたルックアップテーブルで、未見の512ゲームにおいて平均516,155点を記録しました。同じゲームで、手作業で書いた葉の評価関数を持つ深さ4のexpectimaxは平均382,567点でした。どちらも100万点にはまだ遠く、研究課題は依然として未解決です。
貢献する最も簡単な方法の一つは、世界的なリーダーボードで競い、drop7.dev/competeで人間の戦略を提出することです。このプロジェクトは、エージェントを研究の協力者や証拠収集者として使う実験でもあります。リポジトリ全体はGitHubのkeshavsaharia/drop7-benchで公開されています。
ゲーム理論、確率的計画、学習された価値関数、または裾の重い評価に詳しい方からのフィードバックを特に歓迎します。ここで長期的な行動のランキングにどのようにアプローチしますか？
出典: Hacker News · 要約：HeadlinesBriefing