جستجوی خصمانه در هوش مصنوعی

صفحه 1:
هوش مصنوعي ‎boxe‏ خصانه 

صفحه 2:
هوش مصنوعي ‎Artificial Intelligence‏ ست #بازیها جيستند و جرا مطالعه ميشوند؟ # انواع بازیها #الگوریتم ۲۱۱۱۳۱۵۷ #بازیهای چند نفره #هرس آلفا-بتا #بازیهای قطعی با اطلاعات تافص 

صفحه 3:
جستجوی خصمانه بازی ها چیستند و چرا مطالعه میشوند؟ #بازيها حالتى از ممیطهای چند عاملی هستند >هر عامل نياز به در نظر گرفتن سایر عاملها و چگونکی و > تمايز بين محيطهاى جند عامل رقابتي و همكار > محيطهاى رقابتى. كه در آنها اهداف عاملها با يكديكر برخورد دارند. منجر به مسئله هاى خصمانه ميشود كه به عنوان بازى شناخته ميشوند »هرا مطالعه ميشون؟> ” >قابليتهاى هوشمندى انسانها ر! به كار ميكيرند > ماهيت انتزاعى بازى ها >هالت ‎sil‏ را به راحتى ميتوان نمايش داد و عاملها معمولا به مجموعه كويكى از فعاليتها محدود هستند كه نتايج آنها با قوانين دقيقي تعريف شده اند 

صفحه 4:
جستجوی خصمانه تصادفی تخته نرد پوکر انواع بازی ها bs ‏شطرنج‎ ‏(یورسی‎ اطلاعات کامل اطلاعات ناقص 

صفحه 5:
جستجوی خصمانه یک نمونه بازی ۲ بازی دو نفره: ‎Max 9 Min‏ “اول »1/13 مرکت میکند و سپس به نوبت بازی میکنند تا بازی تمام شود *در پایان بازی, برنده جایزه و بازنده جریمه میشود #بازى به عنوان یک جستجو: ؟* مالت اولیه: موقعیت صفحه و شناسه های قابل مرکت *تابع جانشین:لیستی از (مالت,مرکت) که معرف یک مرکت معتبر است > آزمون هدف:پایان بازی چه موقع است؟(مالتهای پایانه) ؟ تابع سودمندی: برای هر حالت چایانه یک مقدار عددی را ارائه میکند. مثلا برنده(1+) و بازنده(1-) »هالت اوليه و حركات معتبر براى هر بازیکن, درفت بازی را برای آن بازی ایجاد میکند 

صفحه 6:
جستجوی خصمانه یک نمونه بازی ‎axon ۳‏ الگوریتم؛ "بازیکن: انتخاب بهترین 1 1 ]51 7 7 هالت و لب ‎mel‏ ‏"هریف: انتفاب بهترین 0 ۵ ۳ ‏5 ید ‏موقعیت برای خودش یا بدترین وضعیت برای 21 بازیکن ۱ لد از مسر ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‏بازیکن: ماکزیمم حالت | ل ا نم كم داد مریف: مینیمم مالت ‎Bata‏ ۱ ‎ity tt‏ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ 

صفحه 7:
جستجوی خصمانه الگوریتم ‎minimax‏ Max MIN 

صفحه 8:
جستجوی خصمانه یک نمونه بازی MAX 23 MIN 

صفحه 9:
جستجوی خصمانه یک نمونه بازی MAX MIN 

صفحه 10:
MAX MIN 

صفحه 11:
MAX. MIN 

صفحه 12:
جستجوی خصمانه یک نمونه بازی MAX MIN 

صفحه 13:
جستجوی خصمانه الگوریتم ۲۳۱۱۲۱۱۲۲۱۵۱ کامل بودن: بله (اگر درخت محدود باشد) بهينگي: بله بيجيدكي زمانى: )0 پیهیدگی ‎O(bm wa‏ 

صفحه 14:
جستجوی خصمانه بازیهای چند نفره # تخصیص یک پردار به هر گره. به جای یک مقدار بازیهای چند نفره معولاً شامل اتماد رسمی یا غیر رسمي بین بازیکنان است + اتحاد با ييشروى بازى ايجاد و از بين ميرود ‎fio move:‏ + بازيكنان بطور خودكار ميكننج. تا به هدف مطلوب انحصارى برسنه )5,4,5( )1,5,2 )6.1,2( 6۴ ۱,2) 6 ‎A‏ (12,6) (4.2.3 (612) (4-1) Gate 615.2) 77-1) (5.4.5) 

صفحه 15:
جستجوی خصمانه هرس الفا-بتا MaxMin @iy)95)1 ys ‏تعداد حالتهای بازی که باید بررسی شوند. بر هسب تعداد حبکتها, توانی است‎ 4 > راه هل: محاسبه تصمیم الگوریتم. بدون دیدن همه گره ها امکانپذیر است هرس آلفا -یتا: له انشعابهايي که در تصمیم نهايي تأثير ندارند را حذف میکند > آلفا: مقدار ب انتغاب در هر نقطه انتغاب در مسیر ‎Max‏ 09556 > بتاء مقدار بهترين انتخاب در هر نقطه انتخاب در مسير ‎١/1‏ تاكنون. > تعداد گره هايي كه بايد بررسى شوند ‎ay‏ 004/3 تقليل فيابد > فاكتور انشعاب مؤثر به جای 9 برابر با جذرط خواهد بود > ييش بيني آن نسبت به 111111073 دو برابر است 

صفحه 16:
جستجوی خصمانه هرس آلفا-بتا #گره ‏ که هر جای درخت میتواند باشد بررسي میشود اکن اکر بازیکن انتغاب بهتبی داشته باشد Opponent ‏كره والد م‎ p< ‎YS‏ هر انتخاب بهتری تا کنون 4 هیچوقتهر ب ازی‌ولقعی‌ق ابلیسترس ن فولهد یود رد۳ »در نتيجه 11 هرس ميشود ‎Opponent‏ ‎ 

صفحه 17:


صفحه 18:


صفحه 19:


صفحه 20:
MAX MIN 

صفحه 21:
جستجوی خصمانه مثال: هرس آلفا-بتا MAX MIN 

صفحه 22:
جستجوی خصمانه مثال: هرس آلفا-بتا MAX 

صفحه 23:
جستجوی خصمانه مثال: هرس آلفا-بتا MAX 5 94 ۷7 ,د ۲ ]9,9 MIN 

صفحه 24:
جستجوی خصمانه مثال: هرس آلفا-بتا ‎MAX pol‏ MIN [9,9] 

صفحه 25:
جستجوی خصمانه مثال: هرس آلفا-بتا MAX MIN [9,9] 

صفحه 26:
جستجوی خصمانه بازیهای قطعي با اطلاعات ناقص معایب الگوریتم های پیشین #الگوریتم 11715073 كل فضای جست و جوی بازی را تولید میکند الکوریتم آلفا-بتا با وجود هرس درخت. اما کل مسیر حالتهای پایانه. هداقل براى بخشي از فضاى حالت. بايد جست و جو شود >اين عمق عملي نيست. زيرا حركات بايد در زمانى معقول انجام شود شانون(1950) براى كمتر شدن زمان جست و جو و اعمال تابع ارزيابي اكتشافى به حالتهاى جستجو. بهتر است از كره هاى غير يايانه به كره هاى يايانه يرداخته شود 

صفحه 27:
جستجوی خصمانه بازیهای قطعي با اطلاعات ناقص # در شانون, :0۱6۱۴۲۵ و آلفا-بتا به دو روش بطور متناوب عمل ‎a‏ # جايگزيني تابع سودمندی با تابع ارزیابی اکتشافی بنام ۴۷۸۱ تخمینی از سودمندی موقعیت ارائه میکند جایگزین تست پایانه با تست توقف >*تصمیم میگیرد 6۷۸۵۱ چه موقع اعمال شود 

صفحه 28:
جستجوی خصمانه تابع ارزيابي اکتشافی 2۷۸۱ # تابع ارزیابی, ارائه تخمینی از سودمندی مورد انتظار بازی از یک موقعیت خاص > توابع اکتشافی. تخمینی از فاصله تا هدف را بر میگرداندند اغلب توابع ارزيابي. خواص گوناگونی از حالتها را محاسبه میکنند *خواص روی هم رفته. کلاسهای هم ارزی یا دسته های مختلفی از حالتها را تعریف میکنند * مالتهای هر دسته. برای تمام خواص مقدار یکسانی دارند #7 هر دسته حاوی چند حالت است که >*موجب برنده شدن *مومب رسم شدن >*منجر به بافتن تابع ارزیابی نمیداند کدام حالت منجر به چه چیزی میشود. اما میتواند مقداری برگرداند که تناسب حالتها را با هر نتیجه نشان دهد 

صفحه 29:
#غلب توابع ارزیابی, مقدار عددی جداگانه ای برای هر خاصیتر محاسبه, سپس آنها را ترکیب. میکنند تا مقدار کل بدست آید در تابع بازی شطرنع: علد ( تابع بازی شطرنج: تعداد هر نوع قطعه در صفهه مقادیر آن قطعات(1 برای پیاده. 3 برای اسب یا فیل.5 برای )698( Eval(s) = w, f(s) + w,6(s) + ... + w F(s) 

صفحه 30:
جستجوی خصمانه مثال: تابع املاع ارزیابی تابع 2۶۷۸۵1 از مقدار پیروزی در دو موقعيت كاملا متفاوت الف) سیاه. مزیت اسب و دو پیاده دارد و بازي را میبرد ب) يس اذ اينكه سفيد. وزير را در اختيار ميكيرد. سياه ميبازد 

صفحه 31:
389%( بوجود مي آید که برنامه با اثری از رقیب مواجه شود که منجر به خبابی جدی گشته و اجتناب پذیر است >مثال: شکل مقابل؛ سیاه در اصل جلوست. اما اگر سفید پیاده اش را از سطر هفتم به هشتم ‎apy‏ پیاده به وزیر تبدیل میشود و موقعیت برد برای سفید بوجود مي آيد 

صفحه 32:
جستجوی خصمانه بازيهايي که حاوی عنصر شانس هستند