MCTS
一种基于随机采样的博弈搜索算法，通过大量随机模拟对局估计落子胜率，使用UCB公式平衡探索与利用，无需人工设计评估函数，因AlphaGo的成功而广为人知
核心事实
时间轴 (近 90 天)
UCT（Upper Confidence bounds applied to Trees）是MCTS最常用的树策略，其核心思想是将多臂老虎机中的UCB1公式应用于树节点选择。
MCTS并非理论上的完美算法，其收敛保证是条件性的，实际表现依赖工程调参；对于需要快速响应的在线任务，往往需要与启发式方法或学习型策略结合。
MCTS已在多个领域证明了实用价值，包括游戏AI、机器人路径规划、资源调度和自动化测试等场景。
有研究者提到，近年来将MCTS与深度学习结合（如AlphaZero）的成功，部分掩盖了其理论缺陷，但理解其局限性对于安全关键应用至关重要。
社区讨论中，有用户指出MCTS的理论分析不如Q-learning等值迭代方法成熟，但其经验有效性不容忽视。
MCTS的超参数敏感性体现在：探索常数c过小导致过早收敛到次优分支，过大则浪费模拟在低价值区域；模拟深度影响评估准确性；模拟策略质量直接决定收敛速度。
MCTS的计算开销较大，每次决策都需要大量模拟，因此在实时性要求高的场景中可能受限，社区观点认为它更适合离线规划或模拟成本较低的问题。
AlphaZero进一步简化，仅用自我对弈和MCTS即达到超人水平，凸显了MCTS作为规划框架的通用性。
AlphaGo的成功证明了MCTS在巨大状态空间（围棋分支因子约250）中的实用性，但也暴露了其对计算资源的依赖——对弈时需调用大量GPU/TPU。
MCTS的收敛速度与状态空间大小、分支因子密切相关，对于连续动作空间或部分可观测环境，理论保证更弱。
还有 24 条时间轴事件
全部知识事实 (20)
AlphaGo结合了深度学习与蒙特卡洛树搜索（MCTS），使用策略网络和价值网络两个关键神经网络
90%已验证MCTS 通过反复模拟随机 rollout 来估算决策节点价值，循环迭代选择、扩展、模拟、反向传播四个阶段，将计算资源集中在最有希望的分支上
75%已验证蒙特卡洛树搜索（MCTS）是围棋AI搜索棋局的核心算法之一，在AlphaGo之前已是围棋程序的主流技术
65%待验证Harness Router 支持对复杂多步决策场景升级使用 MCTS（蒙特卡洛树搜索）
60%待验证MCTS是AlphaGo、MuZero等系统的规划核心，其核心循环包含选择、扩展、模拟和反向传播四个步骤
60%待验证MCTS并非理论上的完美算法，其收敛保证是条件性的，实际表现依赖工程调参；对于需要快速响应的在线任务，往往需要与启发式方法或学习型策略结合。
50%待验证UCT（Upper Confidence bounds applied to Trees）是MCTS最常用的树策略，其核心思想是将多臂老虎机中的UCB1公式应用于树节点选择。
50%待验证MCTS的收敛是渐近的、条件性的，而非在有限步内达到鲁棒的最优性；实际中采样次数有限，只能获得近似解。
50%待验证MCTS的收敛速度与状态空间大小、分支因子密切相关，对于连续动作空间或部分可观测环境，理论保证更弱。
50%待验证AlphaGo的成功证明了MCTS在巨大状态空间（围棋分支因子约250）中的实用性，但也暴露了其对计算资源的依赖——对弈时需调用大量GPU/TPU。
50%待验证AlphaZero进一步简化，仅用自我对弈和MCTS即达到超人水平，凸显了MCTS作为规划框架的通用性。
50%待验证MCTS的计算开销较大，每次决策都需要大量模拟，因此在实时性要求高的场景中可能受限，社区观点认为它更适合离线规划或模拟成本较低的问题。
50%待验证MCTS的超参数敏感性体现在：探索常数c过小导致过早收敛到次优分支，过大则浪费模拟在低价值区域；模拟深度影响评估准确性；模拟策略质量直接决定收敛速度。
50%待验证社区讨论中，有用户指出MCTS的理论分析不如Q-learning等值迭代方法成熟，但其经验有效性不容忽视。
50%待验证有研究者提到，近年来将MCTS与深度学习结合（如AlphaZero）的成功，部分掩盖了其理论缺陷，但理解其局限性对于安全关键应用至关重要。
50%待验证MCTS已在多个领域证明了实用价值，包括游戏AI、机器人路径规划、资源调度和自动化测试等场景。
50%待验证AlphaZero风格的专家循环指的是借鉴AlphaZero的训练范式：先通过蒙特卡洛树搜索（MCTS）或类似的前向搜索评估动作并选择最优动作，然后将搜索产生的（状态，动作）对作为监督信号蒸馏到策略网络中，并可迭代进行。
50%待验证搜索树方法（如 MCTS、束搜索）依赖对游戏规则的精确模拟，优势是可解释、无需训练数据，但每一步需展开大量分支，实时性压力大。
50%待验证AlphaZero 的核心技术组合包括 MCTS 用于前瞻性评估走子，以及深度神经网络同时输出策略头（各动作先验概率）和价值头（当前局面的期望胜负）。
50%待验证物质启发式融合了手工设计的位置评估（接近目标程度、两架无人机间距、炮塔暴露角度）与网络价值头，在 MCTS 搜索过程中共同作用。
50%