طراحی کاراکترهای غیر قابل بازی توسط روشهای پیشبینی ارزش در یادگیری تقویتی
Publish Year: 1395
Type: Conference paper
Language: Persian
View: 792
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
CGCO02_075
Index date: 9 June 2017
طراحی کاراکترهای غیر قابل بازی توسط روشهای پیشبینی ارزش در یادگیری تقویتی abstract
یکی از مهمترین دغدغهها در توسعه بازی های ویدیویی، طراحی هوش مصنوعی کاراکترهای غیر قابل بازی است. مهمترین نیازمندی در طراحی هوش مصنوعی این کاراکترها، چالش برانگیز بودن و شکست پذیر بودن آنها به صورت توام است. به عبارت دیگر، هوش مصنوعی بازی باید به گونه ای باشد که پیروز شدن در بازی را برای بازیکن سخت کند و در عین حال این میزان سختی نباید آنقدر زیاد باشد که لذت بازی کردن از بازیکن گرفته شود. به همین دلیل، در اغلب بازیهای تجاریبه جای استفاده از تکنیک های مدرن هوش مصنوعی مانند یادگیری ماشین ، از تکنیکهای سادهای مانند ماشینهای حالت متناهی و سامانههای قانون مبنا استفاده میشود. در این مقاله، با استفاده از روشهای پیشبینی ارزش در حوزه یادگیری تقویتی، روشی برای طراحی هوش مصنوعی کاراکترهای غیرقابل بازی ارایه میشود. از مهمترین مزیتهای این روش، میتوان به عدم قطعیت و قابلیت تنظیم میزان هوشمندی اشاره کرد. علاوه بر این، این روش مستقل از دامنه است و به همین دلیل به سادگی در بسیاری از بازیهای تجاری قابل استفاده است. در نهایت، نتایج استفاده از این روش در یک بازی سهبعدی شبیهسازی ضربات آزاد فوتبال گزارش میشود.
طراحی کاراکترهای غیر قابل بازی توسط روشهای پیشبینی ارزش در یادگیری تقویتی Keywords:
طراحی کاراکترهای غیر قابل بازی توسط روشهای پیشبینی ارزش در یادگیری تقویتی authors
امین بابادی
دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی اصفهان، اصفهان، ایران
مهران صفایانی
دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی اصفهان، اصفهان، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :