Динамическая визуализация построения MCTS-дерева в среде GGP Base Package

Статья посвящена разработке системы динамической визуализации дерева поиска в алгоритме Monte Carlo Tree Search (MCTS), реализованном в среде General Game Playing Base Package (GGP Base Package). Основная проблема существующих подходов – отсутствие средств наблюдения за эволюцией дерева поиска в процессе построения, что затрудняет отладку и анализ поведения MCTS‑агентов. Методология включает: систематическую оценку восьми инструментов визуализации по 12 критериям (универсальность, динамичность, интерактивность, масштабируемость, производительность и т. д.); разработку четырёхслойной архитектуры (Java/GGP Base Package → Redis → ASP.NET Core → React + D3.js); реализацию интерактивного механизма воспроизведения эволюции дерева с пошаговым анализом. Результаты сравнительной оценки показывают, что разработанная система достигает интегральной оценки 0,752 по сформулированным критериям и, в рамках рассмотренных инструментов, демонстрирует наибольшую совокупность ключевых свойств, важных для отладки MCTS‑агентов. Экспериментальные испытания на игре ConnectFour (6×8) показывают, что система обеспечивает плавную визуализацию (>50 FPS) для MCTS‑деревьев до 1000 узлов, поддерживает произвольные игры в формате GDL и по экспертной оценке позволяет за считанные секунды визуального анализа выявлять отличия в поведении модификаций алгоритма MCTS, тогда как без визуализации это требует длительного ручного сопоставления финальных статистик. Сделанные выводы подтверждают, что динамическая визуализация промежуточных состояний MCTS‑дерева предоставляет дополнительные возможности для обнаружения скрытых дефектов реализации и нетривиальных особенностей поведения алгоритма MCTS, остающихся неочевидными при анализе только финального состояния дерева. Предлагаемый инструмент может представлять практический интерес для исследователей, разработчиков и преподавателей в области General Game Playing.

1. Browne C.B., Powley E., Whitehouse D., et al. A survey of Monte Carlo tree search methods. IEEE Transactions on Computational Intelligence and AI in Games. 2012;4(1):1–43. https://doi.org/10.1109/TCIAIG.2012.2186810

2. Świechowski M., Godlewski K., Sawicki B., et al. Monte Carlo tree search: a review of recent modifications and applications. Artificial Intelligence Review. 2022;56(5):2497–2562. https://doi.org/10.1007/s10462-022-10228-y

3. Genesereth M., Thielscher M. General game playing. Cham: Springer; 2014. 213 p.

4. Scheiermann J., Konen W. AlphaZero‑inspired game learning: faster training by using MCTS only at test time. IEEE Transactions on Games. 2023;15(4):637–647. https://doi.org/10.1109/TG.2022.3206733

5. Trudeau A., Bowling M. Targeted search control in AlphaZero for effective policy improvement. In: AAMAS '23: Proceedings of the 2023 International Conference on Autonomous Agents and Multiagent Systems, 29 May – 02 June 2023, London, United Kingdom. New York: ACM; 2023. P. 842–850.

6. Li R., Mo A., Su G., et al. AlphaZero‑Edu: Democratizing Access to AlphaZero. arXiv. URL: https://doi.org/10.48550/arXiv.2504.14636 [Accessed 20th March 2026].

7. Zhao Y., Hu Ch., Liu J. Playing with Monte‑Carlo Tree Search [AI‑eXplained]. IEEE Computational Intelligence Magazine. 2024;19(1):85–86. https://doi.org/10.1109/MCI.2023.3328150

8. Spinner Th., Kehlbeck R., Sevastjanova R., et al. -generAItor: tree‑in‑the‑loop text generation for language model explainability and adaptation. ACM Transactions on Interactive Intelligent Systems. 2024;14(2):14. https://doi.org/10.1145/3652028

9. Guerra‑Gómez J.A., Buck‑Coleman A., Plaisant C., et al. TreeVersity: Comparing tree structures by topology and node's attributes differences. In: 2011 IEEE Conference on Visual Analytics Science and Technology (VAST), 23–28 October 2011, Providence, RI, USA. IEEE; 2011. P. 275–276. https://doi.org/10.1109/VAST.2011.6102471

10. Taylor H., Stella L. An evolutionary framework for Connect‑4 as test‑bed for comparison of advanced Minimax, Q‑learning and MCTS. arXiv. URL: https://doi.org/10.48550/arXiv.2405.16595 [Accessed 20th March 2026].

11. Ala'anzy M.A., Madiyarova A., Aigeldiyev A., et al. Connect‑4 AI: A comprehensive taxonomy and critical review of methods and metrics. Symmetry. 2026;18(2):293. https://doi.org/10.3390/sym18020293