باورپذیری کاراکترهای غیرقابل بازی حاصل از یادگیری تقویتی

امروزه هوش مصنوعی به یکی از اجزای جدانشدنی بازیهای ویدیویی تبدیل شده است؛ به طوریکه حتی محبوبیت روزافزون بازیهای بر خط چندنفره هم نتوانسته این مولفه را از بازیها حذف کند. از سوی دیگر، رفتار طبیعیکاراکترهای غیرقابل بازی در افزایش حس غوطهوری کاربر بسیار حایز اهمیت است. به همین دلیل، یکی از دغدغه های اصلی تیمهای توسعهدهنده بازی، طراحی هوش مصنوعی کاراکترهای غیرقابل بازی با حداقل هزینه است. در این مقاله، روشی مبتنی بر یادگیری تقویتی برای طراحی هوش مصنوعی این کاراکترها ارایه میشود. این روش در دو مرحله کارمیکند. در مرحله اول، یک عامل با حداکثر هوشمندی توسط الگوریتم یادگیریQآموزش داده شده و در مرحله دوم بااستفاده از استراتژیهای مختلف، رفتارهای عامل باورپذیر میشود. درنهایت عملکرد این روش در مقایسه با عملکرد عامل اولیه و همچنین انسان مقایسه میشود. برای این منظور، در یک بازی ضربات آزاد فوتبال، عملکرد عامل پس از یادگیری با استفاده از 10000 ضربه با عملکرد میانگین 100 بازیکن انسان مقایسه شد. نتایج نشان میدهند که استراتژیهای ساده میتوانند رفتار عاملهای هوشمند را باورپذیر کنند و درعین حال انعطاف پذیری بالای آنها اجازه میدهد که بتوان میزان هوشمندی کاراکتر غیرقابل بازی در بازی ضربات آزاد فوتبال را از % 20 تا 200 % سطح عملکرد انسان تنظیم کرد.