دانلود فایل پاورپوینت هوش مصنوعی

بخشی از پاورپوینت

--- پاورپوینت شامل تصاویر میباشد ----

اسلاید 1 :

جستجوی خصمانه

بازی ها چيستند و چرا مطالعه ميشوند؟

بازيها حالتی از محيطهای چند عاملي هستند

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

تمايز بين محيطهای چند عامل رقابتي و همکار

محيطهای رقابتی، که در آنها اهداف عاملها با يکديگر برخورد دارند، منجر به مسئله های خصمانه ميشود که به عنوان بازی شناخته ميشوند

چرا مطالعه ميشوند؟

قابليتهای هوشمندی انسانها را به کار ميگيرند

ماهيت انتزاعی بازی ها

حالت بازی را به راحتی ميتوان نمايش داد و عاملها معمولا به مجموعه کوچکی از فعاليتها محدود هستند که نتايج آنها با قوانين دقيقي تعريف شده اند

اسلاید 2 :

يک نمونه بازی

بازی دو نفره: Min و Max

اول Max حرکت ميکند و سپس به نوبت بازی ميکنند تا بازی تمام شود

در پايان بازی، برنده جايزه و بازنده جريمه ميشود

بازی به عنوان يک جستجو:

حالت اوليه: موقعيت صفحه و شناسه های قابل حرکت

تابع جانشين:ليستی از (حالت,حرکت) که معرف يک حرکت معتبر است

آزمون هدف:پايان بازی چه موقع است؟(حالتهای پايانه)

تابع سودمندی: برای هر حالت پايانه يک مقدار عددی را ارائه ميکند. مثلا برنده(1+) و بازنده(1-)

حالت اوليه و حرکات معتبر برای هر بازيکن، درخت بازی را برای آن بازی ايجاد ميکند

اسلاید 3 :

يک نمونه بازی

الگوريتم؛

• بازيکن: انتخاب بهترين حالت
• حريف: انتخاب بهترين موقعيت برای خودش يا بدترين وضعيت برای بازيکن

بازيکن: ماکزيمم حالت

حريف: مينيمم حالت

اسلاید 4 :

الگوريتم minimax

کامل بودن: بله (اگر درخت محدود باشد)

بهينگي: بله

پيچيدگي زمانی:

پيچيدگی فضا:

اسلاید 5 :

بازيهای چند نفره

تخصيص يک بردار به هر گره، به جای يک مقدار

بازيهای چند نفره معولاً شامل اتحاد رسمی يا غير رسمي بين بازيکنان است

اتحاد با پيشروی بازی ايجاد و از بين ميرود

بازيکنان بطور خودکار همکاری ميکنند، تا به هدف مطلوب انحصاری برسند

اسلاید 6 :

هرس آلفا-بتا

در الگوريتم MaxMin:

تعداد حالتهای بازی که بايد بررسی شوند، بر حسب تعداد حرکتها، توانی است

راه حل: محاسبه تصميم الگوريتم، بدون ديدن همه گره ها امکانپذير است

هرس آلفا-بتا:

انشعابهايي که در تصميم نهايي تأثير ندارند را حذف ميکند

آلفا: مقدار بهترين انتخاب در هر نقطه انتخاب در مسير Max تاکنون

بتا: مقدار بهترين انتخاب در هر نقطه انتخاب در مسير Min تاکنون

تعداد گره هايي که بايد بررسی شوند به             تقليل ميابد

فاکتور انشعاب مؤثر به جای b برابر با جذرb خواهد بود

پيش بيني آن نسبت به minimax دو برابر است

اسلاید 7 :

هرس آلفا-بتا

گره n که هر جای درخت ميتواند باشد، بررسي ميشود

اگر بازيکن انتخاب بهتری داشته باشد

در گره والد n

يا هر انتخاب بهتری تا کنون

n هيچوقت در بازی واقعی قابل دسترس نخواهد بود

در نتيجه n هرس ميشود

اسلاید 8 :

بازيهای قطعي با اطلاعات ناقص

معايب الگوريتم های پيشين

الگوريتم minimax کل فضای جست و جوی بازی را توليد ميکند

الگوريتم آلفا-بتا با وجود هرس درخت، اما کل مسير حالتهای پايانه، حداقل برای بخشي از فضای حالت، بايد جست و جو شود

اين عمق عملي نيست، زيرا حرکات بايد در زمانی معقول انجام شود

شانون(1950)

برای کمتر شدن زمان جست و جو و اعمال تابع ارزيابي اکتشافی به حالتهای جستجو، بهتر است از گره های غير پايانه به گره های پايانه پرداخته شود

اسلاید 9 :

در شانون, minimax و آلفا-بتا به دو روش بطور متناوب عمل ميکنند

جايگزيني تابع سودمندی با تابع ارزيابی اکتشافی بنام EVAL

تخمينی از سودمندی موقعيت ارائه ميکند

جايگزين تست پايانه با تست توقف

تصميم ميگيرد EVAL چه موقع اعمال شود

q

اسلاید 10 :

تابع ارزيابي اکتشافی EVAL

تابع ارزيابی، ارائه تخمينی از سودمندی مورد انتظار بازی از يک موقعيت خاص

توابع اکتشافی، تخمينی از فاصله تا هدف را بر ميگرداندند

اغلب توابع ارزيابي، خواص گوناگونی از حالتها را محاسبه ميکنند

خواص روی هم رفته، کلاسهای هم ارزی يا دسته های مختلفی از حالتها را تعريف ميکنند

حالتهای هر دسته، برای تمام خواص مقدار يکسانی دارند

هر دسته حاوی چند حالت است که

موجب برنده شدن

موجب رسم شدن

منجر به باختن

تابع ارزيابی نميداند کدام حالت منجر به چه چيزی ميشود، اما ميتواند مقداری برگرداند که تناسب حالتها را با هر نتيجه نشان دهد