دانشگاه فرماندهی و ستاد آجا دوفصلنامه بازی جنگ 2676-5284 6 13 2024 02 20 An Approach to First-Person Shooter Games Using Deep Reinforcement Learning رویکرد نوین در بازی‌های اول شخص تیرانداز با استفاده از یادگیری تقویتی عمیق 201315 10.22034/ijwg.2024.453676.1083 FA جعفر سعادتی رازیان مدرس دانشگاه افسری امام علی(ع)، تهران، ایران اکبر اصغرزاده بناب گروه مطالعات علم و فناوری، دانشگاه فرماندهی وستاد آجا، تهران، ایران 0000-0001-6928-090X علیرضا محمدی گروه مطالعات علمی و فناوری،، دانشگاه فرماندهی و ستاد آجا،تهران ،ایران 0009-0009-8739-2679 صابر جبار زاده گروه مطالعات علم و فناوری، دانشگاه فرماندهی و ستاد آجا Journal Article 2024 04 23 Objective: The main objective of this research is to investigate and improve the performance of Double Deep Q-Learning Network models in first-person shooter games with a focus on intelligent competition.<br /><br />Methodology: In this research, Deep Q-Network (DQN) and Deep Double Deep Q-Network (DDQN) models are used for the game War. First, the DQN and DDQN models are evaluated, and then their performance is improved using the Prioritized Experience Replay (PER) method. Three experimental game environments are used to evaluate and assess the models.<br /><br />Findings: The findings of this research show that the proposed Double Deep Q-Network architecture with the Prioritized Experience Replay method has better performance than other proposed algorithms in this field.<br /><br />Conclusion: The use of the Prioritized Experience Replay method in reinforcement learning has significant advantages that lead to improved performance of the artificial intelligence agent. This method, by utilizing high-quality data and experiences, focuses specifically on more informative experiences, thus significantly increasing sampling efficiency هدف: هدف اصلی بررسی و بهبود عملکرد مدل‌های Double Deep Q-Learning Network دربازی‌های اول‌شخص تیرانداز با تمرکز بر رقابت هوشمند است.<br /><br />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. <br /><br />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.<br /><br />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. http://www.ijwg.ir/article_201315_66bef3421f51c5f1cf217501edd514d7.pdf