MONTE CARLO TREE SEARCH: A REVIEW OF DRAWBACKS, ADVANTAGES AND LIMITATIONS IN COMPLEX MULTIPLAYER GAMES
Palavras-chave:
Monte Carlo Tree Search, Inteligência artificial para jogo, Jogos multijogador, Informação imperfeita, Revisão sistemática da literaturaResumo
O MCTS ganhou destaque após sucessos em Go, Xadrez e Shogi, mas a maioria dos estudos concentra-se em jogos de dois jogadores com informação perfeita. Este artigo analisa o MCTS em jogos digitais e de tabuleiro multijogador, frequentemente caracterizados por informação imperfeita. Com base em 18 artigos selecionados entre 22 recuperados nas bases IEEE Xplore, HAL Science Ouverte e Google Scholar (2013–2025), o estudo identifica três limitações estruturais recorrentes: platôs computacionais, pontos cegos no raciocínio tático e trade-offs na modelagem de oponentes. Além disso, mostra que a informação imperfeita e as restrições de tempo real intensificam essas limitações. O artigo também reúne estratégias de mitigação, como ajuste via NTBEA, playouts baseados em conhecimento especializado e Information Set MCTS, além de apontar cinco lacunas de pesquisa em ambientes pouco explorados, incluindo jogos digitais em tempo real, jogos de cartas cooperativos e jogos de tabuleiro modernos.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2026 JORNADA DE INICIAÇÃO CIENTÍFICA E TECNOLÓGICA
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Submeto o trabalho apresentado como texto original à Comissão Científica do IV SCAF, e concordo que os direitos autorais a ele referentes se tornem propriedade do Anais do IV SCAF da UFFS.
Observação: Caso houver dúvidas sobre a licença, o apresentador deve entrar em contato com a Comissão Organizadora através do e-mail fabiano.cassol@uffs.edu.br.
