سیستمهای مبتنی بر قانونی که به منظور یاری رساندن به بازیکن در بازیهای Minesweeper و Sudoku طراحی شده اند، نمونههایی از سیستمهایی هستند که از این ساختار استفاده نموده اند [۳۰-۳۱].
فصل چهارم
بازیهای کامپیوتری استراتژیک بلادرنگ و سیستمهای هوشمند مرتبط با آنها
بازیهای کامپیوتری استراتژیک بلادرنگ و سیستمهای هوشمند مرتبط با آنها
مقدمه
بازیهای کامپیوتری تجاری، بخش در حال پیشرفتی از صنعت سرگرمی هستند و شبیهسازیها یک نمود مهم از آموزشهای نظامی مدرن به حساب میآیند [۳۲]. این دو زمینه، اشتراکات زیادی با یکدیگر داشته و منجر به تحقیقات بسیاری در زمینه بازیهای بلادرنگ در هوش مصنوعی شده اند [۳۳]. با پیشرفت کامپیوترهای شخصی سریع، بازیهای مبتنی بر شبیهسازی، شهرت بسیاری یافتهاند. به عنوان مثال بازیهای ورزشی، که در آن بازیکنان، کل یک تیم هاکی، فوتبال، بسکتبال و … را کنترل مینمایند و بازیهای استراتژیک بلادرنگ[۶۵] که بازیکن در آن به مجموعه نیروهای خود به صورت بلادرنگ فرمان می دهند.
ایجاد برنامه های کامپیوتری در رابطه با بازیهای استراتژیک بلادرنگ، یک زمینه جدید در حیطهی بازی در هوش مصنوعی به حساب می آید [۳۴]. این بازیها شامل جمعآوری و کنترل منابع گوناگون به منظور ساخت و بهبود سریع تعداد زیاد و متنوعی از بناهای پایه و نیروهای مختلف، پیشرفت در تکنولوژی، ایجاد و کنترل واحدهای مختلف نظامی و … میباشند. در این نوع بازیها، بازیکنان علاوه بر کنترل واحدهای خود، با سایر بازیکنان به جنگ میپردازند. از اینرو آشنایی با تصمیمات راهبردی گوناگون در هر یک از زمینه های فوق، امری ضروری برای بردن بازی به حساب می آید.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
یکی از عناصر معمول بازیهای شبیهسازی، وجود محدودیتهای زمانی سختگیرانه بر اقدامات بازیکن و نیاز شدید به هوش مصنوعی بلادرنگی است که قادر به حل وظایف تصمیمی واقعی به صورتی سریع و رضایتبخش باشد. از اینرو بازیهای شبیهسازی مشهور، ابزارهای آزمونی ایدهآلی جهت تحقیق در حیطهی هوش مصنوعی بلادرنگ به حساب میآیند [۳۵].
تحقیقات هوش مصنوعی در زمینه این نوع از بازیها، از حمایتهای وسیع برخی از موسسات دفاعی و نیز تولیدکنندگان تجاری بازیها برخوردار میباشد [۳۲].
در این فصل در ابتدا در رابطه با ویژگیهای کلی بازیهای استراتژیک بلادرنگ و مسائل تحقیقاتی اساسی در حیطهی هوش مصنوعی که بررسی این بازیهای و ارائه سیستمهایی مرتبط با آنها پیش روی ما قرار میدهد، توضیحاتی ارائه می شود و سپس سیستمهایی با ساختارهای مختلف که نتیجه بررسیهای محققان هوش مصنوعی در رابطه با این نوع از بازیها هستند معرفی میگردند.
ویژگیهای بازیهای استراتژیک بلادرنگ
DUNE 2 به عنوان اولین بازی RTS در نظر گرفته می شود و پس ازآن، تعداد بسیاری از بازیهای RTS جدید انتشار یافتهاند [۳۶]. در اغلب بازیهای RTS، کلید پیروزی در جمعآوری و مدیریت موثر منابع و توزیع مناسب این منابع در میان عناصر گوناگون بازی قرار دارد. عناصر معمول بازی در بازیهای RTS شامل ساخت بناها، جستجو برای یافتن تکنولوژیهای جدید و مبارزه میباشد.
در میان بازیهای RTS، بازیهایی مانند Starcraft و Warcraft محصول Blizzard Entertainment و Age of Empires محصولEnsemble Studios، میتوانند به عنوان شبیهسازیهای نظامی ساده شده در نظر گرفته شوند. در این بازیها، تعدادی زیادی بازیکن با فراهم نمودن واحدهای مسکونی، اقتصادی و نظامی جهت بدست آوردن منابع گوناگون تلاش می کنند. دلایل اصلی چرایی تأخیر استفاده از هوش مصنوعی در زمینه بازیهای RTS نسبت به حوزه های مشابه مانند بازیهای تختهایی کلاسیک را میتوان موارد زیر دانست [۳۲]:
از مشخصههای دنیای بازیهای RTS، تعداد زیاد اشیاء، اطلاعات ناکامل و اقدامات جزئی با گام سریع میباشد. در مقابل، بازیکنان پیادهسازی شده با هوش مصنوعی، اغلب برای بازیهایی مبتنی بر نوبت، با گامهای آهسته و با اطلاعات دقیق وجود داشته اند.
محدودیتهای ایجاد شده توسط بازار. تاکنون بازیهای RTS معروف، تنها توسط شرکتهای بازیایی که بطور طبیعی علاقهمند به بیشینه نمودن سود خود بوده اند، منتشر شده اند. از آنجا که گرافیک این نوع از بازیها، چرخ محرک فروش آنهاست و شرکتها نیز برای نفوذ بیشتر در بازار تلاش می کنند، در حال حاضر تنها ۱۵% از زمان CPU و حافظه به وظایف هوش مصنوعی اختصاص داده می شود. در بخش مثبت جریان، با سریعتر شدن سختافزار گرافیکی و ارزانترشدن حافظه، احتمالاً این درصد افزایش خواهد یافت و منجر به توقف طراحان بازی در واقعیتر نمودن دنیای بازیهای RTS خواهد شد.
کمبود رقابت هوش مصنوعی. در بازهای کلاسیک با دو بازیکن، رقابت شدید میان برنامهنویسان منجر شده است که تحقیقات هوش مصنوعی در این حیطه به درجات بالایی نائل گردد. اما در حال حاضر چنین رقابتی میان محققان هوش مصنوعی در زمینه بازیها بجز فوتبال کامپیوتری وجود ندارد. نیروی انسانی قابل توجهی که به منظور طراحی و پیادهسازی بازیهای RTS مورد نیاز است و بیمیلی شرکتهای بازی در وارد نمودن فاصلهای برنامه کاربردی هوش مصنوعی[۶۶] در محصولات خود، موانع بزرگی برای رقابت در هوش مصنوعی در زمینه بازیهای RTS به حساب میآیند.
به طور کلی، بازیهای RTS مسائل تحقیقاتی اساسی بسیار متنوعی را در حیطهی هوش مصنوعی ارائه مینمایند، شامل:
برنامه ریزی بلادرنگ حریف: در شبیهسازیهای واقعبینانه، عاملها توانایی تفکر برحسب ریز اقدامها (مانند حرکت یک قدمی به سمت شمال) را ندارند. در نتیجه، بجای آن، انتزاعهایی از حالت دنیا باید یافته شود بنحوی که این انتزاعها، امکان هدایت به سمت تحقیقات پیشرو در یک فضای انتزاعی قابل مدیریت و ترجمهی راه حلهای یافته شده به دنبالههایی از اقدامات در فضای حالت اصلی را برای برنامه های هوش مصنوعی فراهم سازد. از آنجا که محیط، پویا، متخاصم و باهوش نیز میباشد، روشهای برنامه ریزی بلادرنگ حریف باید مورد بررسی قرار گیرد.
به عنوان نمونه یک مسئله استراتژیک که لزوم برنامهنویسی حریف را نشان میدهد، در شکل ۴-۱ ارائه شده است. در این نقشه از بازی Warcraft-2، طلا، یکی از منابع است و تمامی مناطق گوشه، توسط نوارهایی از درختان محاصره و ممنوع الورود شده اند و امکان حمل و نقل هوایی نیز وجود ندارد. برای یک فرد بازیکن زمان زیادی برای دریافتن این نکته که ضروری است از میان درختان برش زده شود تا به معدن طلای موجود در مرکز (A) رسیده و آن را تصاحب و از آن دفاع نمود، طول نخواهد کشید. اما بازیکن کامپیوتری ۲، نشانهایی برای دریافت این نکته نداشته و تنها پس از اتمام طلا به بریدن درختان می پردازد. این بازیکن با محاصره توسط فرد بازیکن (۱) (در مکانهای B و C) بازی را میبازد.
شکل۴-۱٫ سناریوی یک بازی RTS. مکانهای شروع (برای حداکثر چهار بازیکن) با ضربدر مشخص شده است. این مکانها با نوارهایی از درختان محاصره شده است. مثلثها نشاندهنده معادن طلا میباشند. یک سیستم با هوش مصنوعی قابل پذیرش نیاز دارد دریابد که بریدن بیدرنگ درختان و رسیدن سریع به معدن موجود در مرکز برای بردن بازی ضروری است.
تصمیم گیری تحت عدم قطعیت: در ابتدا، بازیکنان از مکانهای اولیه دشمنان و تمایلات آنها آگاه نیستند. جمعآوری هوشمندی با فرستادن دیدهبانها و بدست آوردن نتایج و وفقدادن خود با آنها امری ضروری است. اگر هیچ دادهایی در مورد مکانها و اقدامات حریف هنوز دردسترس نیست، باید فرضیه های محتملی تشکیل و بر اساس آنها اقدام شود.
مدلسازی حریف، یادگیری: یکی از بزرگترین کمبودهای سیستمهای هوشمند فعلی بازیهای RTS، عدم توانایی آنها در یادگیری سریع میباشد. بازیکنهای انسانی تنها به دو بازی برای پی بردن به نقاط ضعف حریفان و استفاده از آنها در بازیهای آتی نیاز دارند. در این زمینه تکنیکهای یادگیری ماشین موثری برای غلبه بر این مسائل مهم مورد نیاز هستند.
استدلال زمانی و فاصلهایی: کاوش و تحلیل در مورد محیطهای ایستا و پویا و نیز درک روابط زمانی اقدامات، از نکات بسیار مهم در حیطهی بازیهای RTS است که به شدت توسط برنامهنویسان هوش مصنوعی در زمینه بازی نادیده گرفته می شود.
مدیریت منابع: بازیکنان، بازی را با جمعآوری منابع محلی به منظور افزایش تواناییهای دفاعی و نیروهای هجومی، ارتقاء تسلیحات و صعود در درخت تکنولوژی آغاز می کنند. بازیکنان باید در هر زمان در بکار بردن و مصرف منابع در مجموعههای مختلف، تعادل را برقرار کنند. به عنوان مثال، بازیکنی که تصمیم میگیرد منابع بسیاری را در پیشرفت و ارتقاء خود مصرف کند، در حملات، بدلیل تعداد ناکافی واحدها، با مشکل مواجه می شود. بنابراین مدیریت مناسب منابع، یک بخش ضروری و مهم از یک استراتژی موفق میباشد.
همکاری: در بازیهای RTS گروههایی از بازیکنان میتوانند در نیرو و هوشمندی به یکدیگر بپیوندند. این امر که چگونه اقدامات بنحو موثری از طریق ارتباطات میان اجزاء هماهنگ گردد، یک مسئله چالش برانگیز تحقیقاتی میباشد. به عنوان مثال در تیمهایی که ترکیبی از انسان و هوش مصنوعی هستند، بازیکن با هوش مصنوعی اغلب بطور غیرماهرانهایی رفتار مینماید زیرا اقدامات انسان را پایش ننموده و در نتیجه نمیتواند تمایلات وی را استنباط کند و این امر منجر به شکست حملات همزمان میگردد.
مسیریابی: یافتن سریع مسیرهایی با کیفیت بالا در ناحیههای مختلف در یک بازی RTS از اهمیت بالایی برخوردار است. در گذشته، تنها کسر کوچکی از زمان CPU میتوانست به وظایف هوش مصنوعی اختصاص یابد که در آن نیز یافتن کوتاهترین مسیرها، بیشترین زمان را میگرفت. در حال حاضر شتابدهندههای سختافزارهای گرافیکی امکان سپری نمودن زمان بیشتری بر روی وظایف هوش مصنوعی را برای برنامه ها فراهم میسازند. با این وجود، حضور صدها شیء متحرک و اصرار برای واقعیتر شدن شبیهسازیها در بازیهای RTS، بهبود و تعمیم دادن الگوریتمهای مسیریابی را امری ضروری ساخته است.
دامنه برنامه های کاربردی که از ماژولهای هوش مصنوعی در حیطهی RTS استفاده مینمایند به هیچ وجه محدود به ایجاد حریفان هوشمند به منظور سرگرم نمودن بازیکنهای انسانی نمی باشد و امرزوه شبیهسازهایی با کارایی بالا جهت تمرین افراد نظامی، از خواسته های مطرح بوده و هستهی سیستمهای تصمیمهمیار خودکار در پیکارها و میادین نبرد فردا خواهد شد [۳۲].
مروری بر سیستمهای هوشمند مرتبط با بازیهای استراتژیک بلادرنگ
تحقیق در زمینه استراتژی و اخذ تصمیم کاراکترهای بازی در هوش مصنوعی، از طراحی حریفان هوشمند در بازیهایی با دو بازیکن مانند checkers و Othello پدیدار شده است [۳۷-۳۹]. به ویژه در زمینه Othello ثابت شد که حریفانی که توسط کامپیوتر کنترل میگردند نه تنها برای رقابت، بلکه میتوانند برای شکست بازیکنان واقعی طراحی گردند [۳۴].
علاوه بر این سیستمهایی مبتنی بر قانونی در جهت یاریرساندن به بازیکن در بازیهایی نظیر Minesweeper و Sudoku نیز طراحی شده اند [۳۰-۳۱].
در سالهای اخیر، محققان هوش مصنوعی، بررسیهایی را در زمینهی بازیهای شبیهسازی استراتژیکی پیچیده که مسائل رقابتی گوناگونی را مطرح مینمایند، شروع کرده اند [۳۵].
معروف شدن بازیهای RTS در سالهای اخیر و برگزاری مسابقاتی در این حوزه مرتباً در سراسر جهان با جوایز قابل توجه مالی، زمینهایی را فراهم میسازد که سیستمهایی هوش مصنوعی با کارایی بالا بتوانند جهت توسعه خود از این مهارت های انسانی به میزان زیادی سود برند.
مجموعه بزرگی از مسائل تحقیقاتی که باید به منظور دستیابی به کارایی و بازدهی انسان در این بازیها مورد بررسی قرار گیرند، از حوزه مسیریابی تا استنتاج زمانی تا برنامه ریزی بلادرنگ حریف گسترده شده اند. اغلب این مسائل دارای برنامههایی کاربردی در خارج از قلمرو بازی میباشند. به عنوان مثال جستجوی مسیرهای مختلف توسط روبات به صورت خودکار در محیطهای دشمن و یا شبیهسازیهایی به منظور آموزش افراد نظامی.
مقالات بسیاری با موضوعات حرکت ربات، برنامه ریزی، استدلال زمانی و مکانی و یادگیری، به ساخت سیستمهایی با هوش مصنوعی برای بازیهای RTS مربوط هستند. به عنوان مثال ساختار SOAR و برنامهی کاربردی آن در بازیهای تیراندازی تک نفره [۴۰-۴۱] و یا سیستم GRASP [42-43] که در بازی گرفتن پرچم اعمال شده است، از جمله کارهای مهم به حساب میآیند. هر دوی این پروژه ها برنامه های بازی با کارایی بالا ایجاد نموده و تحقیقات جدیدی در زمینه برنامه ریزی اعمال شده به بازیها، ارائه دادند.
بررسی تحقیقات انجام شده در هوش مصنوعی در حیطهی بازیهای RTS را میتوان از پروژهی استراتژی بلادرنگ باز[۶۷] آغاز نمود [۳۲]. هدف کوتاه مدت این پروژه که در سال ۲۰۰۱ مطرح شد، برپایی یک محیط برنامهنویسی به منظور هدایت آزمایشات هوش مصنوعی بلادرنگ و هدف بلند مدت آن، تولید سیستمهایی با هوش مصنوعی و کارایی برتر از کارایی انسانهای خبره در حوزه های دستور و کنترل بلادرنگ میباشد. برخی از مزایای سیستم ORTS عبارتند از:
نرمافزاری رایگان. ORTS تحت مجوز عمومی GNU[68]، منتشر شده است، بدین مفهوم که هرکس می تواند کد منبع آن را بدون هیچ هزینهایی دریافت نموده و پس از یادگیری نحوه کار کردن با آن، با ارائه ایده جهت رفع خطاهای آن و نیز افزودن ویژگیهای جدید در این پروژه شرکت کند. این مجوز، همچنین بیانگر این موضوع نیز میباشد که پروژه هایی که از کد ORTS استفاده مینمایند لازم است که کدهای خود را منتشر سازند.
منعطف در تعیین بازی. ORTS یک محیط عمومی برنامهنویسی بازی RTS بوده و زیرساختهایی شامل یک سرور و یک مشتری گرافیکی را برای بازیهای RTS فراهم میسازد.
یک شبیهسازی ضدحک در سمت سرور. سرور بازی ORTS، حالت کل جهان را نگهداری مینماید و تنها، اطلاعات قابل رویتی را برای بازیکنانی که از ماشینهای دور متصل شده اند، ارسال می کند. از اینرو هکهای آشکار نمودن نقشه که در شبیهسازیهای سمت مشتری تجاری معمول است، غیرممکن میباشد.
در ORTS خصوصیات بازی مانند تعریف نواحی و واحدهای موقعیتهای شروع، با بهره گرفتن از اسکریپتها تعریف شده است. زبانهای اسکریپتی اغلب در بازیهای تجاری مدرن جهت سادهسازی ایجاد و توسعه بازی بکار برده میشوند. این اسکریپتها توانایی انجام اقدامات پیچیده مانند ایجاد اشیاء جدید، صفبندی اقدامات، دستیابی و تغییر ساختمان دادههای داخلی با بهره گرفتن از توابع و تکرار بر روی اشیاء در یک منطقه را دارا میباشند.
همچنین در ORTS در هر چرخه، سرور، حالت جهان را برای هر مشتری ارسال مینماید و مشتری با ارسال لیستی از اقدامات برای اشیاء تحت کنترل خود، پاسخ میدهد. با اکتشاف جهان و آشکار شدن قسمت های دیگری از نقشه، سرور، لیستی از فضاهایی که بتازگی قابلیت مشاهده شدن را یافتهاند به همراه برخی از ویژگیهای این فضاها را ارسال مینماید.
سیستم ORTS با بکاربردن یک پروتکل پیغام باز، امکان اتصال هر نرمافزار مشتری را برای محققان هوش مصنوعی و بازیکنان فراهم میسازد.
ORTS اولین و یا تنها نرمافزار رایگان در پروژه های بازی RTS نیست، اما اکثر این پروژه ها یا به شیوه نامناسبی نگهداری میشوند و یا با دسترسی به کدهای محدودی جهت استفادهی محققان هوش مصنوعی در مرحله طراحی هستند. در این میان، تنها استثناء قابل توجه Stratagus [۴۴] است (که پیشتر با نام FreeCraft شناخته میشد). این نرمافزار از یک شبیهسازی سمت مشتری استفاده مینماید و از اینرو مستعد هکهای مشتری میباشد و در نتیجه برای رقابتهای هوش مصنوعی اینترنتی بلادرنگ مناسب نمی باشد.
در سال ۲۰۰۴، Ponsenو Spronk [۳۶]، سیستمی را ارائه دادند که در آن برای یافتن تاکتیکها و استراتژی های جدید برای بازی استراتژیک بلادرنگ Wargus از یک الگوریتم تکاملی استفاده می شود ( Wargus یک بازی استراتژیک بلادرنگ نسبتا پیچیده و هجوی بر بازی تجاری مشهور WarCraft II میباشد). در این بررسی، ابتدا تکنیک dynamic scripting [۴۵] به گونهایی تغییر داد شده که بتواند در بازی RTS انتخابی بکار برده شود. این امر با بهره گرفتن از تعریف حالت و ارزیابی حالات در این بازی صورت گرفته است. سپس از یک الگوریتم تکاملی به منظور یافتن تاکتیکهای جدید استفاده شده و در نهایت این استراتژی های یافته شده به صورت قانونهایی برای پایگاه قانون موجود در روش بهبود یافتهی dynamic scripting ترجمه شده است. نتایج ارائه شده، نشان میدهد که این شیوه، کارایی dynamic scripting را برای بازی RTS انتخابی ارتقاء خواهد داد.
dynamic scripting یک تکنیک یادگیری رویخط بدون ناظر، برای بازیهای کامپیوتری تجاری است. این شیوه که در سال ۲۰۰۳ مطرح شده، از تکنیکهای یادگیری پاداش و خطا[۶۹] الهام گرفته است. در این شیوه، قوانین موجود در اسکریپتی که کنترل کننده یک حریف است، از یک پایگاه قانون انطباقی استخراج می شود. قوانین موجود در این پایگاه قانون به صورت دستی طراحی شده اند. احتمال اینکه یک قانون برای یک اسکریپت انتخاب گردد، تحت تأثیر یک مقدار وزنی مرتبط با هر قانون میباشد. انطباق پایگاه قانون با تغییر این مقادیر وزنی، جهت انعکاس نرخ موفقیت و یا شکست قانونهای موجود در اسکریپتها، صورت میگیرد. پس از هر بازی، وزنهای قوانینی که در بازی بکار برده شده اند، بر حسب تأثیرشان بر خروجی، افزایش (در صورت داشتن تأثیر مثبت) و یا کاهش (در صورت داشتن تأثیر منفی) مییابد.
در الگوریتم تکاملی اعمال شده در این تحقیق، به منظور کدگذاری[۷۰] راهحلها، از حالتهای بازی استفاده شده است و ژنها در یک کروموزوم در حالتهایی گروهبندی شده اند. این حالتها، متناظر با مجموعهایی از قوانین هستند که الگوریتم پردازش تکاملی امکان انتخاب از میان آنها را دارا میباشد. یک حالت هنگامی که هوش مصنوعی حداقل در یکی از ژنهای آن حالت اجرا شود، فعال می شود.
برای بازی Wargus، چهار نوع ژن شامل ژنهای ساختن، جستجو، اقتصاد و مبارزه کدگذاری شده اند. به عنوان مثال ژنهای جستجو، مسئولیت جستجوی تکنولوژیهای جدید جهت بهبود تمدن را بر عهده دارند.
همچنین در این کار، به منظور اندازه گیری موفقیت یک اسکریپت هوش مصنوعی بازی، که توسط یک کروموزوم نشان داده می شود، از تابعی با مقدار خروجی در بازهی] ۱,۰ [استفاده شده که پارامترهای موجود در آن شامل امتیاز نظامی بازیکن، امتیاز نظامی حریف، مدت زمان بازی (پیش از آنکه یکی از بازیکنان ببازد)، بیشترین زمانی که یک بازی امکان ادامه یافتن دارد، میباشند. این تابع این اطمینان را میدهد که راه حلهای بازندهایی که مدت بیشتری بازی می کنند، مقدار برازش بیشتری نسبت به راه حلهای بازندهایی که یک بازی کوتاهتر را بازی می کنند، دریافت کنند. همچنین در این بررسی، از چهار عملگر ژنتیک تقاطع حالت، جهش جایگزینی قانون، جهش اریبی قانون و تولید تصادفی استفاده شده است. در این الگوریتم تکاملی، مکانیزم انتخاب، انتخاب مسابقهایی[۷۱] و مکانیزم جایگزینی، ازدحام با اندازه ۳ [۷۲] میباشد. از آنجا که در Wargus، یک برازش بیشتر از حدود ۰٫۷، مطمئناً نشاندهنده یک پیروزی متقاعدکننده میباشد، تجاوز برازش از یک مقدار مشخص، معیار توقف الگوریتم تکاملی اعمال شده، در نظر گرفته شده است. چنانچه راه حلهای ارائه شده توسط الگوریتم نتوانند این شرط را برآورده سازند، الگوریتم پس از تعداد مشخصی اجرا، متوقف میگردد.
روند کلی الگوریتم تکاملی اعمال شده که در شکل ۴-۲ نیز نشان داده شده، به صورت زیر است:
الگوریتم با تولید یک جمعیت از تعداد ثابتی از راه حلهای نمونه آغاز میگردد. سپس این راهحلها در مقابل یک هوش مصنوعی ایستا بازی نموده و موفقیتهای آنها اندازه گیری می شود. هنگامی که جمعیت پر شده باشد و به تمامی کروموزومها، امتیازهای برازش، نسبت داده شده باشد، به راه حلهای موفق اجازهی تولید داده می شود و پس از آن تعداد مناسبی از کروموزوهای والد و فرزند جهت تشکیل جمعیت بعدی، برگزیده میشوند. روند تکامل تا هنگامی معیار توقف برآورده شود، ادامه خواهد یافت.
شکل۴-۲٫ روند تکاملی اعمال شده در بازی RTS در مرجع [۳۶]
در سال ۲۰۰۵، یک شیوه مبتنی بر مورد که می تواند چگونگی انتخاب تاکتیک در هر حالت در یک بازی RTS را بیاموزد، مطرح و در یک سیستم با عنوان متخصص فنون جنگى مبتنی بر مورد[۷۳] پیادهسازی شد [۳۵]. در سیستم CAT، سه منبع مهم از دانش قلمرو بکار برده شده است. منبع اول، شبکهایی از حالات است که انتزاعی از فضای حالت میباشد و منبع دوم مجموعهایی از تاکتیکها برای هر حالت است که انتزاعی از فضای تصمیم میباشد. یک تاکتیک، یک زیرنقشه یا مولفهایی از یک نقشه است. (همانطور که گفته شد، این دو منبع، توسط Ponsen و Spronck [۳۶] مطرح شده اند). منبع سوم موردهایی هستند که موقعیتهای بازی را به تاکتیکها و کارایی آنها نگاشت میدهد. در این سیستم، یک مورد به صورت یک چندتایی از چهار شیء به صورت زیر تعریف میگردد:
[سه شنبه 1401-04-14] [ 06:27:00 ق.ظ ]
|