Vývoj obecného herného agenta pre šachovnicové hry

Abstract

This thesis presents the design and implementation of a general system for the board games Gomoku, Othello, and Checkers. Within a shared infrastructure, it implements and compares a random player, alpha-beta search, Monte Carlo Tree Search, and AlphaZero- like PUCT guided by a policy-value network trained through self-play. The system com- bines game adapters, training, checkpoint management, reproducible evaluation, and interactive game analysis. The main experiment evaluates separately trained eight-hour models in matches with swapped sides. All three models outperformed the random player. Othello produced the strongest positive result against the tested MCTS configurations, while Gomoku defeated the frozen MCTS configurations but lost every game against alpha-beta. The contribution is an extensible and traceable framework for studying dif- ferent sources of decision-making signals in games.

Práca sa zaoberá návrhom a implementáciou všeobecného systému pre šachovnicové hry Gomoku, Othello a Checkers. V spoločnej infraštruktúre implementuje a porovnáva náhodného hráča, alpha-beta prehľadávanie, Monte Carlo Tree Search a AlphaZero-like PUCT s policy-value sieťou učenou pomocou self-play. Systém spája herné adaptéry, tré- ning, správu checkpointov, reprodukovateľné vyhodnotenie a interaktívnu analýzu partií. Hlavný experiment vyhodnocuje samostatne trénované osemhodinové modely v zápasoch s vymenenými stranami. Všetky tri modely prekonali náhodného hráča. Othello prinieslo najsilnejší pozitívny výsledok proti testovaným MCTS konfiguráciám, zatiaľ čo Gomoku prekonalo zmrazené MCTS konfigurácie, ale prehralo všetky partie proti alpha-beta. Prí- nosom práce je rozšíriteľný a sledovateľný rámec na skúmanie rozdielnych spôsobov her- ného rozhodovania.