用于增强个性化游戏体验的更高级方法是蒙特卡洛搜索树（MCST）算法。MCST算法是使用随机试验来解决问题。
MCST在游戏中的应用实例
这也是Deep Blue—1997年第一个击败人类国际象棋冠军的计算机程序使用的AI策略。对于国际象棋中的每一步，Deep Blue使用MCST算法考虑它可能做出的所有可能的移动，然后考虑人类玩家会跟进这种移动作出所有的反应，依此类推。可以想象所有可能的动作都在扩展，就像树枝从茎上长出来一样——这就是我们称之为“搜索树”的原因。
在多次重复此过程后，人工智能将计算回报，然后决定要遵循的最佳分支。在采取真正的行动之后，人工智能将根据可能的结果再次重复蒙特卡洛搜索树（MCST）算法。
在电子游戏中，许多策略游戏也应用了类似的算法。然而，由于可能的动作比国际象棋要多得多，因此不能考虑到所有可能性。因此，在这些游戏中，MCST算法会随机选择一些可能的动作。所以，策略游戏中的AI作出的操作对人类玩家来说变得更加不确定。
比如在《文明》中，玩家在游戏中与做同样事情的游戏AI竞争开发城市，不可能为游戏AI预先编程每一个动作。MCST算法的AI不像FSM那样仅根据当前状态采取行动，而是评估一些可能的下一步行动，例如开发城市、攻击人类玩家、保卫堡垒等等。然后游戏AI会执行MCST算法来计算每个动作的总体回报，并选择最有价值的一个。
下图展示了蒙特卡洛搜索树（MCST）算法在游戏中的使用方式的简化流程图。在更加开放自由的游戏中，游戏情况的演变从来不是预先确定的，因此每次都能为玩家提供新鲜感，带来不一样的游戏体验。
