آموزش شبكۀ‌عصبي‌ با عامل بدون خطا جهت ايجاد عامل‌هاي‌ متفاوت و شكست پذير

براي ايجاد سطوح مختلف دشواري در يك بازي، از عاملهايي (Agents) كه از هوش‌مصنوعي بهره مي‌برند استفاده مي‌شود. با توجه به اينكه اطلاعات كامل محيط بازي مي‌تواند در اختيار اين عاملها قرار داده ‌شود، اين عامل‌ها قادر خواهند بود بازي‌هايي شكست‌ناپذير را توليد نمايند. بدين جهت، برنامه نويسان از اطلاعات در دسترس اين عامل‌ها كاسته و يا با استفاده از فاكتور‌هايي مانند فاصله، زمان، وسعت‌ديد و غيره از دقت عملكرد اين عامل‌ها ميكاهند، به عبارت ديگر توابع عامل‌ها را تغيير مي‌دهند. بنابراين، با چنين روش‌هايي خطاي عامل‌ها افزايش يافته و سبب غيرعادي شدن عملكرد بازي مي‌شود، كه اين مسئله موجبات ناخوشنودي كاربران بازي را فراهم خواهد نمود. از ديگر مشكلات موجود در روش‌هاي متداول كنوني، محدوديت تنوع در رفتار عامل‌ها است. درواقع جهت ايجاد روندهاي مختلف رفتاري، نياز به الگوهاي مختلف برنامهنويسي براي هر يك از اين عاملها مي‌باشد، كه با توجه به محدود بودن عوامل پديد‌آورنده خطا (نظير زمان، فاصله و وسعت ديد) ايجاد اين الگوهاي گوناگون امري دشوار است. بدون گسترش تنوع رفتار عامل‌‌ها، بازي‌هاي رايانهاي حالت كليشهاي و تكراري پيدا مي‌كند كه از هيجان و چالش آن‌ها كاسته و كاربر در طول زمان با تكرار بازي توانايي پيش‌بيني رفتار اين عامل‌ها را پيدا خواهد كرد. در اين مقاله با استفاده از شبكۀعصبي، سعي بر ايجاد عامل با سطح دشواري مناسب، با استفاده از يادگيري از عامل بدون خطا و ايجاد تنوع در عكسالعمل عامل تحت آموزش ميشود. استفاده از شبكۀعصبي امكان شبيهسازي روند يادگيري بازي توسط عامل‌ها را بوجود آورده و بدين صورت شيوههاي مختلف بازيكردن را ارائه مي‌نمايد. اين تنوع باعث از بين بردن يكنواختي بازيهاي رايانهاي شده و مي‌تواند هربار چالش جديدي را براي كاربر به ارمغان بياورد.