Artificial Intelligence for the Tafl Game

Abstract

Tafl is a family of asymmetric strategy board games whose distinct victory conditions for Attacker and Defender differ from standard symmetric-game evaluation techniques. This thesis presents a modular C# engine with Copenhagen Hnefatafl ruleset and two distinct layouts, together with six agents: two baselines, a Greedy heuristic, depth-limited Minimax with alpha-beta pruning, and two Monte-Carlo Tree Search variants with dif- ferent rollout policies. Heuristic weights for Minimax and Greedy agents are derived through a two-stage evolutionary pipeline that evolves separate Attacker and Defender parameters. An all-play-all tournament on both layouts establishes a clear agent order- ing, identifies a structural Defender bias visible already in random play, and equates the gap to published human play.

Tafl je rodina asymetrických strategických deskových her, jejichž podmínky vítězství pro útočníka a obránce se odlišují od vyhodnocovacích technik standardních symetric- kých her. Tato práce představuje implementaci modulárního programu v C# s pravidly Copenhagen Hnefatafl, dvěma odlišnými rozvrženími a šesti agenty: dvěma základními (baseline) agenty, heuristickým Greedy algoritmem, algoritmem Minimax s alfa-beta pro- řezáváním a omezenou hloubkou a dvěma variantami Monte-Carlo Tree Search s odlišnou strategií simulace (rollout policy). Heuristické váhy pro agenty Minimax a Greedy jsou určeny pomocí dvoufázového evolučního procesu, který vyvíjí oddělené parametry pro útočníka a obránce. Turnaj na obou rozloženích, v němž hraje každý proti každému, stanovuje jasné pořadí agentů, identifikuje strukturální zvýhodnění obránce patrné již v náhodných hrách a dává toto zjištění do souvislosti s publikovanými výsledky her mezi lidmi.