دوفصلنامه بازی جنگ

دوفصلنامه بازی جنگ

رویکرد نوین در بازی‌های اول شخص تیرانداز با استفاده از یادگیری تقویتی عمیق

نوع مقاله : مقاله پژوهشی

نویسندگان
جعفر سعادتی رازیان 1
اکبر اصغرزاده بناب 2
علیرضا محمدی 3
صابر جبار زاده 4
1 مدرس دانشگاه افسری امام علی(ع)، تهران، ایران
2 گروه مطالعات علم و فناوری، دانشگاه فرماندهی وستاد آجا، تهران، ایران
3 گروه مطالعات علمی و فناوری،، دانشگاه فرماندهی و ستاد آجا،تهران ،ایران
4 گروه مطالعات علم و فناوری، دانشگاه فرماندهی و ستاد آجا
10.22034/ijwg.2024.453676.1083
چکیده
هدف: هدف اصلی بررسی و بهبود عملکرد مدل‌های Double Deep Q-Learning Network دربازی‌های اول‌شخص تیرانداز با تمرکز بر رقابت هوشمند است.

روش: در این پژوهش، از مدل‌های Deep Q-Network (DQN) و Deep Double Deep Q-Netwok (DDQN) برای بازی جنگ استفاده‌شده است. ابتدا، مدل‌های DQN و DDQN موردبررسی قرارگرفته شده و سپس با روش بازپخش تجربه اولویت‌دار ، عملکرد آن بهبود داده‌شده است. از سه محیط بازی آزمایشی برای بررسی و ارزیابی مدل‌ها استفاده‌شده است.

یافته‌ها: یافته‌های این پژوهش نشان می‌دهد که معماری پیشنهادیDouble Deep Q-Network با روش بازپخش تجربه اولویت‌دار، عملکرد بهتری نسبت به سایر الگوریتم‌های پیشنهادی در این زمینه داشته است.

نتیجه‌گیری: استفاده از روش بازپخش تجربه اولویت‌دار در یادگیری تقویتی، مزایای قابل‌توجهی را به همراه دارد که منجر به ارتقای عملکرد عامل هوش مصنوعی می‌شود. این روش با بهره‌گیری از داده‌ها و تجربیات باکیفیت، به‌طور هدفمند بر روی تجربیات آموزنده‌تر تمرکز می‌کند و بدین ترتیب، کارایی نمونه‌برداری را به‌طور قابل‌توجهی افزایش می‌دهد.
کلیدواژه‌ها
بازی جنگ هوش مصنوعی
یادگیری عمیق
یادگیری تقویتی عمیق
یادگیری عمیق تکرارشونده
بازی اول شخص تیرانداز

موضوعات