🏆 Журнал турниров
Здесь мы фиксируем все пробные матчи между ботами для отслеживания эффективности изменений в алгоритмах.
Baseline (Плоский Монте-Карло, отбор по материалу)
Матч 1
- Боты: Monte-Carlo vs Aggressive
- Лимит времени: 60 секунд на партию
- Количество партий: 120 (по 60 за каждый цвет)
- Результат: Monte-Carlo выиграл 61 (37 Белыми / 24 Черными), проиграл 59.
- Винрейт Monte-Carlo: 50.8%
Матч 2
- Боты: Monte-Carlo vs Aggressive
- Лимит времени: 300 секунд (5 минут) на партию
- Количество партий: 50 (по 25 за каждый цвет)
- Результат: Monte-Carlo выиграл 22, проиграл 28.
- Винрейт Monte-Carlo: 44.0%
Тестирование Идеи 1 (Агрессивный отбор кандидатов)
Матч 3 (Оценка Идеи 1)
- Боты: Monte-Carlo vs Aggressive
- Лимит времени: 60 секунд на партию
- Количество партий: 120 (по 60 за каждый цвет)
- Результат: Monte-Carlo выиграл 56 (28 Белыми / 28 Черными), проиграл 64 (32 Белыми / 32 Черными).
- Винрейт Monte-Carlo: 46.7%
- Время: ~24 минуты (1437.95s)
Вывод: Замена базовой оценки на агрессивную пре-селекцию ухудшила результаты Монте-Карло с 50.8% до 46.7% по сравнению с базовым (Flat) вариантом. Игры заканчиваются значительно быстрее (среднее время матча упало с 38 до 24 минут). Это значит, что жесткий фильтр по агрессивным признакам заставляет Монте-Карло выбирать слишком “безрассудные” ходы, забывая об обороне. Для победы ему нужна более сбалансированная гибридная пре-селекция или более умные роллауты.
Тестирование Идеи 2 (Умные роллауты: 40% жадных / 60% случайных)
Матч 4 (Валидация Идеи 2: Epsilon-Greedy Rollouts 40%)
- Дата: 22 Июня 2026
- Цель: Проверить, улучшает ли 40% жадная эвристика на этапе rollouts силу бота
monte-carlo. - Параметры:
arena monte-carlo aggressive --games 60 --time 60(120 партий) - Результат: Win Rate 49.2% (59 побед, 61 поражений, 0 ничьих)
Вывод: Win Rate оказался выше, чем в Матче 3 (46.7%), но всё ещё хуже, чем у базового случайного Монте-Карло в Матче 1 (50.8%). Введение 40% жадных ходов (evaluate) на этапе симуляции создаёт систематическую ошибку смещения (bias) и ухудшает статистическую выборку исходов. Полностью случайные роллауты работают лучше. Гипотеза Epsilon-Greedy не оправдалась. Рекомендуется переходить к полноценному MCTS (построение дерева) вместо “плоского” поиска.
Турнир: MCTS (v1) vs Monte-Carlo
- Дата: 2026-06-22
- Базовый бот: Monte-Carlo Tree Search (mcts)
- Оппонент: Monte-Carlo (difficulty 6)
- Формат: 50 партий (по 25 за каждый цвет)
- Контроль времени: 5 минут на партию (300 секунд)
- Общее время турнира: ~1 час 54 минуты (6863.77s)
Результаты (с точки зрения Monte-Carlo):
- Победы: 35 (17 белыми / 18 черными)
- Поражения: 15 (8 белыми / 7 черными)
- Ничьи: 0
- Win Rate (Monte-Carlo): 70.0%
- Win Rate (MCTS): 30.0%
Вывод: Текущая “чистая” версия MCTS значительно уступает базовому Monte-Carlo боту. Как и предполагалось в анализе, случайное расширение узлов без эвристики отсечения приводит к тому, что MCTS тратит время на просчет слабых ходов. Внедрение Material Evaluator для прунинга (Candidate Pruning) критически необходимо для MCTS.