This thesis presents a comparative analysis of two prominent decision-making algorithms: Minimax with Alpha-Beta Pruning and Monte Carlo Tree Search (MCTS), applied within an Android-based chess application. The research stems from the challenge of improving Artificial Intelligence(AI) performance and game play, particularly in resource-constrained environments such as a mobile device. The study explores the area of balancing computational efficiency and strategic depth. Minimax with Alpha-Beta pruning is traditionally favored for its exhaustive search approach, which provides a methodical and tactical advantage in game play. However, its deterministic nature can limit game play diversity and adaptability. These are traits that MCTS could enhance due to its probabilistic and explorative approach. The study methodically compared these algorithms by implementing them within a deployed chess application (Chess Rumble) to then evaluate them based on several performance metrics including decision time, win and draw rates, and strategic diversity. The experiments conducted revealed that while Minimax performs efficiently under stringent computational limits, MCTS offers a more dynamic and engaging game play experience as it scales with increased computational resources. The findings indicate that both algorithms have unique strengths without a clear overall winner in all scenarios. This highlights a potential for their complementary application depending on specific needs. MCTS excels in creating a dynamic and unpredictable gaming experience, pointing to valuable future applications in AI-driven games and other interactive environments. This study provides valuable insights in comparing the two algorithms in performance and strategic diversity. It also offers insights into the practical applications of AI in game development, particularly for mobile platforms.

Denna rapport presenterar en jämförande analys av två framstående algoritmer för beslutsfattande: Minimax med Alpha-Beta Pruning och Monte Carlo Tree Search (MCTS), som tillämpas i en Android-baserad schackapplikation. Forskningen utgår från utmaningen att förbättra prestanda och spelupplevelse för artificiell intelligens (AI), särskilt i resursbegränsade miljöer som en mobil enhet. Studien utforskar området för att balansera beräkningseffektivitet och strategiskt djup. Minimax med Alpha-Beta-beskärning föredras traditionellt för sin uttömmande sökmetod, som ger en metodisk och taktisk fördel i spelet. Dess deterministiska natur kan dock begränsa spelets mångfald och anpassningsförmåga. Detta är egenskaper som MCTS kan förbättra tack vare sitt probabilistiska och utforskande tillvägagångssätt. I studien jämfördes dessa algoritmer metodiskt genom att implementera dem i en schackapplikation (Chess Rumble) och sedan utvärdera dem utifrån flera prestandamått, bland annat beslutstid, vinst- och oavgjortfrekvens samt strategisk mångfald. De genomförda experimenten visade att Minimax presterar effektivt under stränga beräkningsgränser, medan MCTS erbjuder en mer dynamisk och engagerande spelupplevelse när den skalas med ökade beräkningsresurser. Resultaten visar att båda algoritmerna har unika styrkor utan att det finns någon tydlig vinnare i alla scenarier. Detta visar på en potential för kompletterande tillämpningar beroende på specifika behov. MCTS utmärker sig genom att skapa en dynamisk och oförutsägbar spelupplevelse, vilket pekar på värdefulla framtida tillämpningar i AI-drivna spel och andra interaktiva miljöer. Denna studie ger värdefulla insikter i jämförelsen mellan de två algoritmerna vad gäller prestanda och strategisk mångfald. Den ger också insikter i de praktiska tillämpningarna av AI inom spelutveckling, särskilt för mobila plattformar.