用数组结构优化蒙特卡洛树搜索，提速近3倍且深度扩展更高效。
Array-Based Monte Carlo Tree Search
- 改用数组存储替代传统树结构，减少分支预测开销。
- 数值模拟显示，搜索深度增加时性能提升达2.8倍。
- 适合追求实时决策的强化学习与游戏AI应用。
蒙特卡洛树搜索是解决决策问题的流行方法。更快的实现能在相同时间内进行更多模拟，直接提升搜索性能。为此，我们提出一种经典的上限置信区间应用于树算法（UCB1-T）的替代数组化实现。该方法保留了原算法逻辑，但消除了分支预测需求，使流水线处理器上的运行速度更快，在数值模拟中，搜索深度增加时性能提升最高可达2.8倍。
原文摘要 · Abstract (English)
Monte Carlo Tree Search is a popular method for solving decision making problems. Faster implementations allow for more simulations within the same wall clock time, directly improving search performance. To this end, we present an alternative array-based implementation of the classic Upper Confidence bounds applied to Trees algorithm. Our method preserves the logic of the original algorithm, but eliminates the need for branch prediction, enabling faster performance on pipelined processors, and up to a factor of 2.8 times better scaling with search depth in our numerical simulations.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。