آموزش شبکهعصبی با عامل بدون خطا جهت ایجاد عامل های متفاوت و شکست پذیر

برای ایجاد سطوح مختلف دشواری در یک بازی، از عامل هایی Agents که از هوش مصنوعی بهره میبرند استفاده میشود.با توجه به اینکه اطلاعات کامل محیط بازی میتواند در اختیار این عامل ها قرار داده شود، این عامل ها قادر خواهند بود بازیهایی شکست ناپذیر را تولید نمایند. بدین جهت، برنامه نویسان از اطلاعات در دسترس این عامل ها کاسته و یا با استفاده از فاکتورهایی مانند فاصله، زمان، وسعت دید و غیره از دقت عملکرد این عامل ها میکاهند، به عبارت دیگر توابع عامل ها را تغییر میدهند. بنابراین، با چنین روش هایی خطای عامل ها افزایش یافته و سبب غیرعادی شدن عملکرد بازی میشود، که این مسیله موجبات ناخوشنودی کاربران بازی را فراهم خواهد نمود. از دیگر مشکلات موجود در روشهای متداول کنونی، محدودیت تنوع در رفتار عاملها است. درواقع جهت ایجاد روند های مختلف رفتاری، نیاز به الگوهای مختلف برنامه نویسی برای هر یک از این عاملها میباشد، که با توجه به محدود بودن عوامل پدیدآورنده خطا (نظیر زمان، فاصله و وسعت دید) ایجاد این الگوهای گوناگون امری دشوار است. بدون گسترش تنوع رفتار عامل ها، بازی های رایانه ای حالت کلیشه ای و تکراری پیدا میکند که از هیجان و چالش آنها کاسته و کاربر در طول زمان با تکرار بازی توانایی پیش بینی رفتار این عامل ها را پیدا خواهد کرد. در این مقاله با استفاده از شبکهعصبی، سعی بر ایجاد عامل با سطح دشواری مناسب، با استفاده از یادگیری از عامل بدون خطا و ایجاد تنوع در عکس العمل عامل تحت آموزش میشود. استفاده از شبکهعصبی امکان شبیه سازی روند یادگیری بازی توسط عاملها را بوجود آورده و بدین صورت شیوه های مختلف بازی کردن را ارایه مینماید. این تنوع باعث از بین بردن یکنواختی بازیهای رایانه ای شده و میتواند هربار چالش جدیدی را برای کاربر به ارمغان بیاورد.

Keywords:

شبکه عصبی مصنوعی , هوش مصنوعی , بازی های رایانه ای , عامل