امین بابادی - دانشکده مهندسی برق و کامپیوتر دانشگاه صنعتی اصفهان اصفهان ایران
مجید روحانی - دانشکده مهندسی برق و کامپیوتر دانشگاه آزاد اسلامی واحدکاشان اصفهان ایران

تصمیم گیری دقیق دربازیها همواره یکی ازمسائل پیچیده و درعین حال جذاب درهوش مصنوعی بوده است انجام عمومی بازیهای شاخه ی جدیدی ازهوش مصنوعی است که هدف آن طراحی عاملهایی است که قادرهستند درمحیط هربازی ناشناخته ای با تصمیم گیریهای هوشمندانه عملکرد خوبی ازخود نشان دهد بزرگترین ایرادهای الگوریتم های ارایه شده برای حل این مساله اول فرض دسترسی داشتن به مدلی دقیق ازدنیا برای انجام جستجو و دوم برخط بودن روند جستجو درنتیجه عدم استفاده ازتجربیات گذشته است دراین مقاله با ارایه یک روش برون خط برای یادگیری مدلی ازدنیا سعی بربرطرف سازی این دوعامل محدودکننده میشود به این ترتیب که عامل با تکرار بازی و کسب تجربه سعی دریادگیری مدلی ازدنیا می کند تا درمراحل بعدبتواند ازمدل یادگرفته شده درجستجوی خود بهره ببرد مدل ارایه شده عمومی بوده و درتمامی الگوریتم های جستجوی مبتنی برمدل قابل استفاده است درنهایت عملکرد روش ارایه شده دریادگیری مدل دنیا مورد بررسی قرار میگیرد

انجام عمومی بازیهای ویدیویی ، یادگیری ماشین ، یادگیری مدل ، یادگیری برون خط