Balise : Éditeur de wikicode 2017 |
|
| (27 versions intermédiaires par 3 utilisateurs non affichées) |
| Ligne 1 : |
Ligne 1 : |
| | ==Définition== |
| | En '''[[intelligence artificielle]]''', la fouille arborescente Monte Carlo est un '''[[algorithme]]''' de '''[[recherche heuristique]]''' dans un arbre pour la prise de décision. Il est notamment employé dans les jeux. Chaque nœud de l'arbre de fouille mémorise deux nombres: le nombre de simulations gagnantes, et le nombre de simulations totales. |
|
| |
|
| == Domaine == | | ==Français== |
| [[Category:Vocabulary]]<br/>
| | '''fouille arborescente Monte Carlo ''' |
| [[Category:Intelligence artificielle]]Intelligence artificielle<br/>
| |
| [[Category:Résolution de problèmes]]Résolution de problèmes<br/>
| |
| [[Category:Algorithme de fouille]]Algorithme de fouille<br/>
| |
| [[Category:Coulombe]]Coulombe<br/>
| |
| [[Category:Scotty]]Scotty<br/>
| |
|
| |
|
| == Définition ==
| | '''recherche arborescente Monte Carlo ''' |
|
| |
|
| En intelligence artificielle, la fouille arborescente Monte Carlo est un algorithme de recherche heuristique dans un arbre pour la prise de décision. Il est notamment employé dans les jeux.
| | ==Anglais== |
| | '''Monte Carlo tree search '''<small> |
|
| |
|
| Chaque nœud de l'arbre de fouille mémorise deux nombres: le nombre de simulations gagnantes, et le nombre de simulations totales. L'algorithme de fouille arborescente Monte Carlo comporte quatre étapes: 1) Sélection: Choix d'un noeud feuille enfant en maintenant un compromis entre l'exploitation des noeuds prometteurs et l'exploration des noeuds moins visités. 2) Expansion: Si le noeud feuille visité n'est pas final, création d'un (ou plusieurs) enfant(s) en appliquant les règles du jeu et choix l'un des noeuds enfants. 3) Simulation: Simulation d'une partie au hasard depuis le noeud enfant, jusqu'à une configuration finale. 4) Rétropropagation (Backpropagation): Mise à jour des informations sur la branche partant du noeud enfant vers la racine en tenant compte du résultat de la simulation de la partie au hasard.
| | ==Sources== |
|
| |
|
| On peut citer l'utilisation de la fouille arborescente Monte Carlo en combinaison avec des réseaux de neurones profonds dans le programme AlphaGo de Deepmind qui a battu des champions au jeu de Go.
| | [https://fr.wikipedia.org/wiki/Recherche_arborescente_Monte-Carlo Source: Wikipedia] |
|
| |
|
| == Français ==
| | [[Utilisateur:Claude COULOMBE | source : Claude Coulombe]] ([[Discussion utilisateur:Claude COULOMBE | discussion]]) |
|
| |
|
| <h3>
| | [[Category:GRAND LEXIQUE FRANÇAIS]] |
| <poll> Choisissez parmi ces termes proposés :
| |
| fouille arborescente Monte Carlo
| |
| recherche arborescente Monte Carlo
| |
| </poll>
| |
| </h3>
| |
| <h3>Discussion:</h3> Pour le moment, le terme privilégié est «fouille arborescente Monte Carlo». <br>
| |
| | |
| Source:
| |
| | |
| https://fr.wikipedia.org/wiki/Recherche_arborescente_Monte-Carlo
| |
| | |
| | |
| == Anglais ==
| |
| | |
| === Monte Carlo tree search ===
| |
| In computer science, Monte Carlo tree search (MCTS) is a heuristic search algorithm for some kinds of decision processes, most notably those employed in game play. Two leading examples of Monte Carlo tree search are the computer game Total War: Rome II's implementation in their high level campaign AI[1] and recent computer Go programs,[2] followed by chess and shogi[3], as well as real-time video games and games with incomplete information such as poker (see history section).
| |
| | |
| <br/>
| |
| <br/>
| |
| <br/>
| |
| <br/>
| |
| <br/>
| |
| <br/>
| |
| <br/>
| |
