لطفا به نکات زیر در هنگام خرید دانلود پاورپوینت تئوري بازيها توجه فرمایید.

1-در این مطلب، متن اسلاید های اولیه دانلود پاورپوینت تئوري بازيها قرار داده شده است 2-به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت  تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید 3-پس از پرداخت هزینه ، حداکثر طی 12 ساعت پاورپوینت خرید شده ، به ادرس ایمیل شما ارسال خواهد شد 4-در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد 5-در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون زیر قرار نخواهند گرفت

اسلاید ۱ :

تئوري بازي ها 

بازي ها چه هستند و چرا مطالعه ميشوند؟

بازي ها: حالتي از محيطهاي چند عاملي را نشان مي دهند که:

þ هر عامل نياز به در نظر گرفتن ساير عاملها و چگونگي تأثير آنها دارد

þ تمايز بين محيطهاي چند عامل رقابتي و همکار

þ محيطهاي رقابتي، که در آنها اهداف عاملها با يکديگر برخورد دارند، منجر به مسئله هاي رقابتي ميشود که به عنوان بازي شناخته ميشوند

 

اسلاید ۲ :

و چرا بازي ها مطالعه مي شوند :

× قابليتهاي هوشمندي انسانها را به کار ميگيرند

×ماهيت انتزاعي بازي ها

×حالت بازي را به راحتي ميتوان نمايش داد و عاملها معمولا به مجموعه کوچکي از فعاليتها محدود هستند که نتايج آنها با قوانين دقيقي تعريف شده اند

به عنوان مثال: دلايلي که محققين قديم، شطرنج را به‌عنوان موضوعي در AI برگزيدند:

ï بازي شطرنج کامپيوتري اثباتي بر وجود ماشيني است که اعمال هوشمندانه‌اي را انجام مي‌دهند.

ï سادگي قوانين

ï وضعيت دنيا کاملاً براي برنامه شناخته شده است. (بازنمايي بازي به عنوان يک جستجو از طريق فضاي موقعيت‌هاي ممکن بازي، ساده است.)

 

اسلاید ۳ :

 پيچيدگي بازيها، به طور کامل نوعي از عدم قطعيت را معرفي مي‌کنند.

عدم قطعيت به علت وجود اطلاعات گم شده رخ نمي‌دهد، بلکه به علت اينکه فرد زماني براي محاسبه دقيق نتايج حرکت ندارد عدم قطعيت بوجود مي‌آيد.

در اين مورد، فرد بر اساس تجربيات گذشته مي‌تواند بهترين حدس را بزند.

 

اسلاید ۴ :

يک نمونه بازي

– يک بازي با دو بازيکن را در نظر مي‌گيريم که آن را MIN-MAX  مي‌ناميم.

– بدين معناست که هر يک از بازيکن ها ، حرکت خود را در جهت افزايش برد خود (max) و نيز در جهت کاهش برد حريف (min) انجام مي دهد.

– پس هميشه حرکت با max است. قبل از حرکت گرافي از ديد بازيکن max رسم مي شود که بتواند بهترين حرکت را انتخاب کند:

×حالت اوليه: موقعيت صفحه و شناسايي حرکت مجاز

×عملگرها: ليستي از (حالت,حرکت) که معرف يک حرکت معتبر است

×آزمون هدف: پايان بازي چه موقع است؟ (حالتهاي پايانه)

×تابع سودمندي: براي هر حالت پايانه يک مقدار عددي را ارائه ميکند.            مثلاً: برنده(۱+) و بازنده(۱-) و مساوي(۰)

اسلاید ۵ :

الگوريتم  :MIN-MAX

به منظور تعيين استراتژي بهينه براي MAX طراحي شده است و از اينرو مي‌توان بهترين حرکت را تصميم‌‌گيري کرد. الگوريتم شامل ۵ مرحله است:

توليد درخت کامل بازي، تمام راه تا مراحل پاياني

درخواست تابع سودمندي براي هر حالت پاياني به منظور بدست آوردن مقدارش.

از سودمندي حالات پاياني به منظور تعيين سودمندي گره‌ها يک مرحله بالاتر در درخت جستجو استفاده کنيد.

بررسي مقادير را از گره‌هاي برگي تا ريشه، يک لايه در هر لحظه، ادامه دهيد.

احتمالاً مقادير به بالاي درخت مي‌رسند، MAX حرکتي را انتخاب مي‌کند که به بالاترين مقدار منتهي مي‌شود.

اسلاید ۶ :

m: حداکثر عمق درخت،

b: تعداد حرکات قانوني در هر نقطه،

þ کامل بودن: بله (اگر درخت محدود باشد)

þ پيچيدگي زماني: الگوريتمminimax ، O(bm) است.              الگوريتم يک جستجو عمقي است.

اسلاید ۷ :

بازيهاي قطعي با اطلاعات ناقص (ترسيم درخت بطور ناقص):

بهترين نتيجه ممکنه براي بازيکني است که گراف را کامل کرده است . استراتژي بازي براساس مسيرهايي از گراف که بهترين نتيجه را مي دهد، تعريف مي شوند

اين تئوري در عمل براي بازيهايي که گراف آنها بسيار پرهزينه است استفاده نمي شود. براي مثال در بازي شطرنج:

ميانگين فاکتور انشعاب در حدود ۳۵

در اغلب بازيها هر بازيکن تا ۵۰ حرکت

پس اگر بخواهيم به اين تئوري جنبه عمل دهيم بايد سعي کنيم براساس گراف کوچک که بخشي از گراف اصلي محسوب مي شود استراتژي را تعيين کرد.

اسلاید ۸ :

الگوريتم Minimax   به دو راه تغيير يابد:

q تابع سودمندي با تابع ارزيابي اکتشافي EVAL جايگزين شود.

  – تخميني از سودمندي موقعيت ارائه ميکند

q آزمون پاياني با آزمون قطع Coutoff test جايگزين گردد.

             – تصميم ميگيرد EVAL چه موقع اعمال شود

اسلاید ۹ :

Evaluation Function 

واضح است که ارائه يک برنامه بازي بي نهايت به کيفيت تابع ارزيابي بستگي دارد.

Ãتابع ارزيابي نميداند کدام حالت منجر به چه چيزي ميشود، اما ميتواند مقداري برگرداند که تناسب حالتها را با هر نتيجه را نشان دهد

اسلاید ۱۰ :

چگونه به طور دقيق کيفيت تابع ارزياب را مي‌توان اندازه گرفت؟

تابع ارزيابي با تابع سودمندي در مورد حالت پاياني بايد به توافق برسند.

نبايد زياد طول بکشد! (اگر پيچيدگي را محدود نکنيم minimax به عنوان يک زيربرنامه فراخواني مي‌شود و مقدار دقيق وضعيت محاسبه مي‌شود.) از اين رو، معامله‌اي بين صحت تابع ارزيابي و هزينه زمان آن وجود دارد.

تابع ارزيابي بايد به درستي شانسهاي واقعي براي برد را منعکس کند.