蒙特卡洛树搜索算法（UCT）: 一个程序猿进化的故事
前言：
本文是根据的文章Introduction to Monte Carlo Tree Search by Jeff Bradberry所写。
Jeff Bradberry还提供了一整套的例子，用python写的。
board game server
board game client
Tic Tac Toe board
AI implementation of Tic Tac Toe
阿袁工作的第一天 - 蒙特卡罗树搜索算法 - 游戏的通用接口board 和 player
阿袁看到阿静最近在学习蒙特卡罗树搜索算法。急忙凑上去问：“蒙特卡罗树搜索算法是干什么用的？”
"蒙特卡罗树搜索算法是一种方法（或者说框架），用于解决完美信息博弈。我现在学习一个蒙特卡罗树搜索算法的变种：UCT算法，用于提供一种通用的游戏对弈解决算法。"
注: perfect information games (完美信息)博弈，指的是没有任何信息被隐藏的游戏。
"通用的游戏对弈算法，是对任何游戏都有效，是吗？"
"简单的说，是这样的。重要的一点是，算法并不用了解游戏的领域知识。"
"领域知识？不是很好理解。难道连游戏规则也不知道，就可以赢吗？"
"游戏的领域知识。举个例子，国际象棋中每个棋子的子力，比如皇后的子力是10，车是5等等。这些就是领域知识。在通用的情况下，马的走法-这样的规则，也算是领域知识。"
"有点糊涂了！AI算法该如何下子呢？"
"用面向对象的逻辑来说，我们可以给游戏定义有一个通用接口(board)，具体的游戏只能实现这个接口，不能提供其它的信息。"
"对于程序猿来说，这就容易理解多了。我们可以先看看这个接口(board)，都应该定义什么样属性和方法。"
"首先，有一个num_players属性，返回游戏的玩家数。"
"嗯，让我想想，游戏开始的时候，需要一个方法start，启动一个游戏。"
"很好，这个方法需要返回一个state对象，用于记录游戏当前的状态。state对象的内容，外部是不可知的。使用board自己可以解释。"
"然后，需要显示棋盘的状态。这样，board就需要提供一个display方法，返回当前的状态或者是棋盘状态。"
"对。应该有个方法返回谁是该下子的玩家:current_player."
"当前玩家是一个AI玩家（也就是对弈算法的使用者），怎么知道如何下子呢？这里需要许多的领域知识吧？"
"一个技巧是让board根据历史的状态列表，返回当前允许的所有下法
