يادگيري از طريق مشاهده با Probabilistic finite-state automata λ در فضاي بازي

Learning from Demonstration with λ-Probabilistic finite-state automata in Game Environment

در بازي‌هاي كامپيوتري، شخصيت‌ها يا حريفاني مصنوعي هستند كه نشان از رفتارهاي هوشمندانه پيچيده‌اي دارند و در ارتقا المان‌هاي سرگرم‌كننده بازي بسيار مؤثرند. براي ساخت اين رفتارها بايد آن‌ها را در زبان برنامه‌نويسي پياده كرد كه كاري بسيار دشوار و زمان‌بر است. يكي از راه‌هاي آسان‌سازي اين امر، يادگيري از طريق مشاهده است. فرآيندي كه در آن عامل به‌وسيله مشاهده عمليات آموزش مي‌بيند و در هوش مصنوعي و روباتيك روشي است براي آموزش عامل هوشمند در يك عمليات، بدون پياده‌سازي مستقيم دستورات. هدف مقاله پياده‌سازي عامل هوشمند در بازي‌هاي آنلاين با الگوريتم‌هاي يادگيري ماشين و با استفاده از Probabilistic finite-state automata λ است. بازي مورد آزمايش بازي غار اژدها است. نتايج به‌دست‌آمده نمايانگر عملكرد خوب λ_PFA در توليد عامل هوشمند است.

There are artificial characters or opponents in computer games that demonstrate complex intelligent behaviors and are very effective in promoting the entertaining factors of the games. To create these behaviors, they have to be put in the programming language, which is very difficult and time consuming. One way to facilitate this, is to learn from Demonstration. A process in which the agent trains by observing the operation. It s a method used in artificial intelligence and robotics to teach intelligent agent in an operation without direct implementation of commands. The purpose of the article is to implement intelligent agent in online games using machine learning algorithms and the λ-Probabilistic finite-state automata. The Dragon Cave game was tested. The results indicate good performance of λ_PFA in the production of intelligent agent.