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

هدف: هدف اصلی بررسی و بهبود عملکرد مدل های Double Deep Q-Learning Network دربازی های اول شخص تیرانداز با تمرکز بر رقابت هوشمند است.روش: در این پژوهش، از مدل های Deep Q-Network (DQN) و Deep Double Deep Q-Netwok (DDQN) برای بازی جنگ استفاده شده است. ابتدا، مدل های DQN و DDQN موردبررسی قرارگرفته شده و سپس با روش بازپخش تجربه اولویت دار ، عملکرد آن بهبود داده شده است. از سه محیط بازی آزمایشی برای بررسی و ارزیابی مدل ها استفاده شده است. یافته ها: یافته های این پژوهش نشان می دهد که معماری پیشنهادیDouble Deep Q-Network با روش بازپخش تجربه اولویت دار، عملکرد بهتری نسبت به سایر الگوریتم های پیشنهادی در این زمینه داشته است.نتیجه گیری: استفاده از روش بازپخش تجربه اولویت دار در یادگیری تقویتی، مزایای قابل توجهی را به همراه دارد که منجر به ارتقای عملکرد عامل هوش مصنوعی می شود. این روش با بهره گیری از داده ها و تجربیات باکیفیت، به طور هدفمند بر روی تجربیات آموزنده تر تمرکز می کند و بدین ترتیب، کارایی نمونه برداری را به طور قابل توجهی افزایش می دهد.

کلیدواژه ها:

بازی جنگ هوش مصنوعی ، یادگیری عمیق ، یادگیری تقویتی عمیق ، یادگیری عمیق تکرارشونده ، بازی اول شخص تیرانداز