صفحه 1:
صفحه 2:
هوش مصنوعی 7 فصل دوم : عامل
3 (Agent) Jole
هر چیزی که قادر است محیط خود را از طریق حسگرها (6600501) درک کند و با اثرکننده ها
(6۲۲66۵۲) بر محیط تاثیر بگذارد.
عامل انسانی عامل روباتیکی
9 حسگرها:_ گوش, چشم. دیگر ارگانها + . حسگرها: دوربین, یابندههای مادون قرمز
۲ اثرکننده ها: دست. پاء اندامهای دیگر ۲ اثرکننده ها: موتور
yousefpour@shomal.ac.ir
صفحه 3:
هوش مصنوعی - فصل دوم : عامل
عامل ها از طریق حسگرها و اثرکننده ها با محیط واکنش انجام می دهند
:jole (percept sequence) (51,01 Jlio
سابقه کامل هر چیزی که عامل تاکنون درک کرده است.
yousefpour@shomal.ac.ir
صفحه 4:
هوش مصنوعی - فصل دوم : عامل
مثال هایی از انواع عامل ها و توضیح PEO
دوربینهاء
عرفت مي
GPS.
Sonar
ميكروفونء
حسگرهای
موتور
راننده تاکسی
علائم بیماری
يافته هاء
پاسخهای بیمار
راهنمایی کردن, ایمنی»
شتابدهنده ترمز: سرعت. قانونمندی,
اشع باش راک
بوق افزایش سودمندی
سوالات. آزمونها. بیمار سالم. کاهش
رفتارهاء مداوا هزینه ها
yousefpour@shomal.ac.ir
صفحه 5:
هوش مصنوعی - فصل دوم : طراحی عامل هوشمند
طراحی عامل :
این طراحی شامل تابعی است که نگاشت عامل را از ادراک به عملیات پیاده سازی میکند.
yousefpour@shomal.ac.ir
صفحه 6:
هوش مصنوعی - فصل دوم : طراحی عامل هوشمند
3 (Agent Function) Jol gt
رفتار عامل توسط تابع عامل توصیف میشود که هر دنباله ادراک را به یک فعالیت
7 Pattern — Action
فعاليت 0 دنباله ادراک : تابع عامل
یعنی تابع عامل : نگاشت ایده آل از دنبالههای ادراکی به عملیات است.
پیاده سازی تابع عامل :
تابع عامل را می توان جدول بندی نمود تا هر عاملی را تشریح کند. این جدول شامل
تمام دنباله ادراکی» و عملی در پاسخ به هر دنباله ادراکی» در آن قرار میگیرد.
*** تابع عامل مربوط به عامل مصنوعی. توسط برنامه عامل (سطلاج سبه)
پیاده سازی می شود.
yousefpour@shomal.ac.ir
صفحه 7:
هوش مصنوعی - فصل دوم : طراحی عامل هوشمند
مثال از نگاشت دنباله ادراکی به فعالیت توسط جدول
۱
Percept x Action z
i} 10 1.000000000000000 function مهم
11 (42 2-10 1* initial guess */
12 1.095445} 15010332 repeat until |z* - x} < 10-8
13 1.140175425099138 Gh sale
14 111003 BET اند
15 12247187 0 end
16 1.26491 1064067352 return z
17 1.303840481040530
18 1341640786499874
19 1.378404875209022
Figure 22 Part of the ideal mapping for the square-root problem (accurate to 15 digits), and a
corresponding program that implements the ideal mapping.
yousefpour@shomal.ac.ir
صفحه 8:
هوش مصنوعی - فصل دوم : طراحی عامل هوشمند
مايخ عامل فاك At atl Saal اه
برنامه عامل: پیاده سازی دقیقی است که در معماری عامل اجرا می شود.
yousefpour@shomal.ac.ir
صفحه 9:
هوش مصنوعی - فصل دوم : طراحی عامل هوشمند
ساختار عامل :
عامل
برنامه + معماری عامل
لظي هوش مسو طاض 01١ لت 0 0 ۲
اين لايه مى تواند يك برنامه در زبان سطح بالا يا در زبان سطح پایین باشد.
yousefpour@shomal.ac.ir
صفحه 10:
هوش مصنوعی 7 فصل دوم : عامل
عاملها چگونه باید عمل کنند؟
عملکرد منطقی:
یعنی با داشتن یکسری عقیده واحد به هدف واحد برسیم و این عملکرد باعث
موفقیت عامل مى كردد.
عامل منطقى (غ1 806 1531101131)(عقلايى - خردمند):
يزى است كه كار درست و صحيح انجام مىدهد. در شيوه تفكر منطقى تأكيد بر روى
استنتاج درست است يعنى بيشترين موفقيت عامل را به دنبال داشته باشد
اين ارزيابى توسط 5
اجره
yousefpour@shomal.:
صفحه 11:
هوش مصنوعی -_فصل دوم : معیارکارآبي
(Performance Measure) (31,6 jbo :
معیار کارایی. معیاری برای موفقیت رفتار عامل است.
معیار کارآیی چندان ثابت نیست. دارای یک سری قوانین خاص دارد. و به عنوان یک قاعده کلی
بهتر است معیار کارآیی را براساس خواسته های فرد در محیط درنظر گرفت.
مثال: یک پرسش فلسفی
کدام بهتر است: زندگی بی انديشه با فراز و نشیب و یا زندگی امن و یکنواخت؟
صفحه 12:
هوش مصنوعی 7 فصل دوم : عامل
دانش (Omniscience) Js
بررسی سه اصطلاح در عامل ها : منطقی بودن (Rationality)
(AUCONOMY) jg jbo 25>
(Omniscience) JS دانش
0 یک عامل با دانش کل معنی خروجی واقعی اعمال خود را دانسته و بر پایه آن عمل میکند
واز نتيجه اعمال خويش كاملا آكاه است.
اما داشتن دانش کل برای عامل منطقی در واقعیت همیشه ممکن نیست.
0 اكر معين كنيم كه هر عامل هوشمند همواره بايد همان کاری را انجام دهد که در عمل مناسب است.
(یعنی داشتن دانش کل) هیچگاه نمیتوان عاملی را طراحی نمود که این مشخصات را مرتفع سازد.
yousefpour@shomal.ac.ir
صفحه 13:
هوش مصنوعی - فصل دوم : عامل
منطقی بودن (ج)
منطقی بودن عامل فقط به دنباله ادراکی نا آن زمان وابسته است. باید مطمئن باشیم که ندانسته
کار غیر هوشمند (عقلایی) را انجام ندهد.
مثل رد شدن از خیابان شلوغ . بطوریکه خطری را نمی توان دید.
ولی :
رد شدن از عرض خیابان در حالی که هیچ خطری نمی
عبور کند.
پس منطقی است که از خیابان
در این هنگام جسمی از هواپیما جدا شده و با این شخص برخورد می کند
(عبور از خیابان منطقی بود)
yousefpour@shomal.ac.ir
صفحه 14:
هوش مصنوعی -_فصل دوم : عامل
منطقی بودن به چهار چیز وابستگی دارد:
"معیار کارایی که درجه موفقیت را تعیین میکند.
هر چیزی که تا کنون عامل, مشاهده و درک نموده است. این تاریخچه کامل ادراکی
را دنباله ادراکی نامیده می شود.
تعریف عامل منطقی:
برای هر دنباله ادراکی ممکن. عامل منطقی یا خردمند باید فعالیتی را انتخاب کند که انتظار
می رود معیار کارآیی اش حداکثر برساند.
این کار با توجه به شواهدی که از طریق دنباله ادراکی بدست می آید و دانش درونی عامل.
صورت می گیرد.
yousefpour@shomal.a
صفحه 15:
هوش مصنوعی 7 فصل دوم : عامل
خود مختاری (Autonomy)
عاملی که فقط براساس دانش اولیه طراح خود رفتار می کند . عامل خود مختار نیست.
در اینجا تعریف عامل باید کاملتر شود و یادگیری به بخش دانش درونی اضافه گردد. یعنی
عامل بايد ياد بگیرد که نقص دانش قبلی خود را چگونه جبران کند.
رفتار عامل میتواند متکی بر دو پایه دانش درونی و تجریه خود بنا نهاده شود.
yousefpour@shomal.:
صفحه 16:
هوش مصنوعی -_فصل دوم : عامل
* سیستم به وسعتی خود مختار است که رفتار آن براساس تجربه خودش تعیین میشود.
زمانی که عامل فاقد تجربه و یا کم تجربه است. مسلماً تصادفی عمل خواهد کرد. مگر
آنکه طرح کمکهایی به آن داده باشد.
* عامل هوشمند واقعاً خود مختار باید قادر به عمل موفقیتآمیز در دامنه وسیعی از
محیطها باشد و البته باید زمان کافی جهت تطبیق نیز به آن داده شود.
yousefpour@shomal.ac.ir
صفحه 17:
هوش مصنوعی - فصل دوم : برنامه عاملِ
جنبههای مختلف یک عمل, انواع مختلف برنامههای عامل را پیشنهاد خواهد کرد.
برای مثال. پنج نوع عامل را مورد بررسی قرار می دهیم
انواع برنامه های عامل:
* عاملهای واکنشی ساده؟396۳ ۲۵۶۵۷ 51۳0016
Model-Base agent
> عاملهای مدل گرا
*عاملهای هدف گرا Goal-Base agent
*عاملهای سودمندگرا Utility-Base agent
> عاملهای یادگیرنده Learner agent
yousefpour@shomal.ac.ir
صفحه 18:
هوش مصنوعی - فصل دوم : عامل واکنشی ساده
كاسى)
0 اين عاملها اعمالی را بر طبق ادراک جاری
انتخاب می کنند بدون توجه به اینکه le
تاریخچه ادراکات قبلی چیست. J Eee)
0 انتخاب فعالیت بر اساس یکسری
قوانین شرط -عمل انجام می شود.
© در اینجا جدول رجوع باید مورد توجه
قرار گرفته و فیلدهای مختلف آن توسط
اطلاعات ورودی پر شود. بطوریکه به ازای
هر ورودی فعالیت آن نیز مشخص شده
yousefpour@shomal.ac.ir
صفحه 19:
هوش مصنوعى - فصل دوم : عامل واکنشی ساده
function SIMPLE-REFLEX-AGENT( percep!) returns action
static: mules, a set of condition-action rules
state — INTERPRET-INPUT( percept)
rile — RULE-MATCH( state, ries)
action — RULE-ACTION|rule]
return action
Figure 28 A simple reflex agent. It works by finding a rule whose condition matches the
|__suttent situation (as defined by the percept) and then doing the action associated with that rule.
قوانين
شرط -عمل
" اقدام به ترمز" "ترمز كردن راننده جلويى "
yousefpour@shomal.ac.ir
صفحه 20:
هوش مصنوعى - فصل دوم : عامل واکنشی ساده
اتصالاتی (واکنشهایی) وجود دارند که انسانها بسیاری از آنها را دارا بوده:
برخی از آنها قابل بادگیری (مثل رانندگی) و برخی دیگر غریزی (چشمک زدن حین نزدیک
شدن جسمی به چشم ) است.
مثالی از عامل واکنشی ساده در دنیایجارو بقی :
تصمیم گیری آن بر اساس مکان فعلی و
کثیف بودن آن مکان صورت می گیرد.
function REFLEX-VACUUM-AGENT ([/ocation,
status])
return an action
if status == Dirty then return Suck
else if /Jocation==A_ then return Right
yousefp@hGRifnd@eation == B then return Left
صفحه 21:
هوش مصنوعی - فصل دوم : عامل واکنشی مدل كرا
0 عامل بخشی از دنیایی را که فعلا
می بیند و می شنود ذخیره می
كلد
© عامل بايد حالت جارى دنيا را به
كمك يك مدل داخلى حفظ كند
يك مدل داخلى ديد عامل
سيس يك عمل را همانند روش
عامل واكنشى انتخاب كند.
yousefpour@shomal.ac.ir
صفحه 22:
هوش مصنوعی - فصل دوم : عامل واکنشی مدل گرا
function REF.EX-AGENT-WITH-STATE( percep?) returns action
static: state, a description of the current world state
tules, a set of condition-action rules
state — UPDATE-STATE(state, percept)
tule — RULE-MaTCu(state, rules)
action — RULE-ACTION[rule]
state — UPDATE-STATE(state, action)
retum action
Figure 210 A reflex agent with internal state. It works by finding a rule whose condition
matches the current situation (as defined by the percept and the stored internal state) and then
doing the action associated with that rule
0قر.غافل قبلی مقکل آنجایی:ناشی.میشد: ذر صورقی, که خنگرها تقوانفد توصي اقل يبه
وضعیت دنیا داشته باشند. ( یعنی محیط نیمه قابل مشاهده )
0 در چنین شرایطی, بهترین راه مدیریت برای عامل آن است که بخشی از محیط را که نمی تواند
الان ببیند در حافظه نگه دارد.
yousefpour@shomal.ac.ir
صفحه 23:
هوش مصنوعی - فصل دوم : عامل واکنشی مدل گرا
0 در این صورت عامل باید به نوعی حالت داخلی وابسته به تاریخچه ادراکی داشته باشد تا ن
دستکاری برخی اطلاعات وضعیت داخلی باشد تا از طریق آن تمایز بین وضعیتهای دنیا که در
ظاهر ورودی ادراکی یکسان ولی در واقع معنی کاملاً متفاوتی دارند را میسر سازد.
* مال: موقعی که چراغ ترمز خراب باشد
**بهنگامسازی اطلاعات وضعیت داخلی همزمان با گذر زمان نیازمند دو نوع دانش کد
شده در برنامه عامل |
اول: اطلاعاتی در مورد چگونگی تغییر دنیا مستقل از عامل
fits «ماشين خلوتئ از جيد لحطها بيش يوشيكتر شدة انست؟
دوم: چگونگی تاثیرات اعمال عامل در محیط
مثال : اگر ترمز بزنم فاصله با ماشین جلوبی چه تغییری می کند؟
yousefpour@shomal.ac.ir
صفحه 24:
هوش مصنوعی - فصل دوم : عامل هدف گرا
سسسهحسگرها
جهت پیدا نمودن هدف مورد نظر
مثلا:
ود و دی 22
ا تود اسمن تيه راتت نا te “feet
aD joie souk tan
& 2 a ال
یا هدف دارد us عامل
و سس
yousefpour@shomal.ac.ir
صفحه 25:
هوش مصنوعی - فصل دوم : عامل هدف گرا
دانستن درباره وضعیت کنونی محیط همواره براق تصمیم گیری عمل نمیتواند کافی باشد.
به همان گونه که عامل نیازمند شرح وضعیت جاری است به نوعی» نیازمند اطلاعات هدف
(۳۳۸) نیز میباشد که پرای توضیح موقعیت. مطلوب است.
عامل اطلاعاتی نسبت به وضعیت جاری دارد ab
و هم اطلاعاتی نسبت به وضعیت هدف دارد
با ترکیب این دو اطلاعات و نتایج اعمال ممکن موجود که می تواند بروز رسانی
اطلاعات داخلی شود
و در نتیجه فعالیت مناسب را جهت رسیدن به هدف انتخاب می گند
yousefpour@shomal.ac.ir
صفحه 26:
هوش مصنوعی - فصل دوم : عامل هدف گرا
انتخاب فعالیت در یک عامل :
در مواقعی ساده است. وقتی که رضایت از هدف بلافاصله از یک فعالیت بدست می آید.
در مواقعی پیچیده است. وقتی که عامل باید دنبالههای طولانی را در نظرگرفته تا راهی
برای دستیابی به هدف پیدا کند.
در این حالت:
جستجو (563۲1) و برنامهربزی (۳۱۵۲۳۳9) روشهایی از هوش مصنوعی
هستند كه دنباله اى از فعاليتها را براى رسيدن عامل به هدف. بيدا مى کنند.
yousefpour@shomal.ac.ir
صفحه 27:
هوش مصنوعی - فصل دوم : عامل هدف گرا
تفاوت عاملهای واکنشی و هدف گرا:
در طراحی عاملهای واکنشی طراح برای حالات متفاوت عملی درست را پیش محاسبه
مىكند. در عاملهاى هدفكراء عامل مىتواند دانش خود را در مورد جكونكى واكنش
بهنگام سازد.
۱. برای عامل واکنشی ما مجبور به دوباره نویسی تعداد زیادی قوانین شرط -عمل خواهیم بود.
۲ عامل هدف گرا نسبت به رسیدن به مقاصد متفاوت انعطاف پذیر است.
۳. بسادگی با
یک هدف تازه, میتوانیم عامل هدفگرا را به رفتار تازه برسانیم.
yousefpour@shomal.ac.ir
صفحه 28:
هوش مصنوعی - فصل دوم : عامل سودمندگرا
۴- عاملهای سوذمذ
۲- عاملهای سودم:
اگر یک حالت دنیا به حالت دیگر دنیا
ترجیح داده شود. آن حالت برای عامل
سودمندتر است. 33 a
سودمندی تابعی است که به هر وضعیت.
یک عدد حقیقی نسبت می دهد که
درجه رضایت از وضعیت را مشخص
كنه عامل
yousefpour@shomal.ac.ir
صفحه 29:
هوش مصنوعی - فصل دوم : عامل سودمندگرا
مشخصات كامل تابع سودمندى امكان تصميمكيرى منطقى را براى دو نوع مواردى كه هدف
برآورده نمی شود. فراهم مى سازد.
١ زمانی که اهداف متناقص وجود دارند. (مثل سرعت و امنيت)
كه در اين حالت فقط بعضى از آنها برآورده مى شوند
۲ زمانی که چندین هدف دارند که هیچ یک از آنها با قطعیت قابل حصول نيست.
آنگاه تابع سودمندی به هر هدف بر اساس میزان اهمیت آن برای عامل. وزنی اختصاص
می دهد که به اين ترتیب احتمال موفقیت عامل افزایش خواهد یافت
yousefpour@shomal.ac.ir
صفحه 30:
هوش مصنوعی - فصل دوم : عامل یاد گیرنده
ببس استاندارد کارایی
0 عنصر کارایی مسئول انتخاب فعالیتهای سس حسگرها
خارجی است.
از ادراکات استفاده می کند و در مورد فعالیتها
تصمیم می گیرد. و شامل مجموعه ای از
دانش و رویه هایی جهت انتخاب فعالیتهاست.
0 عنصریادگیرنده مسئول ایجاد بهبودهاست.
بازخورد منتقدان را در مورد چگونگی عملکرد
عامل دریافت کرده و مشخص می کند عنصر حج محرکها
کارایی چگونه باید اصلاح گردد تا در آینده بهتر عامل
عمل كند.
© منتقد به عنصر يادكيرنده مى كويد كه عامل با توجه به استانداردهاى كارايى جكونه عمل ميكند
0 مولد مسئله مسئول پیشنهاد فعالیتهایی است که منجر به تجربیات آموزنده جدیدی ميشود.
yousefpour@shomal.ac.ir
صفحه 31:
هوش مصنوعی - فصل دوم : عامل یادگیرنده
0 استاندارد کارایی
عامل نیاز به استاندارد کارایی دارد تا بداند که این فعالیت درست است یا نه؟
(at براك چبین چیری را بیان تسین # aye
استاندارد كارايى بايد ثابت باشد و از نظر مفهومی خارج از عامل قرار گیرد.
زیرا عامل نباید آنرا اصلاح کند تا رفتارش را تنظیم کند.
yousefpour@shomal.ac.ir
صفحه 32:
هوش مصنوعی - فصل دوم : عامل و محیط
ارتباط بين عامل و محيط:
اعمال بوسيله عامل بر محيط انجام مىشود. كه خود ادراك عامل را مهيا مىسازد.
خواص محيط ها :
قابلمشاهدم در مقاب يمه قاب[بتاهدم .1) Fully observable
تسم در مقابل تال Deterministic - Stochastic
تقسیم پذیر در مقابل ی قسیم نا پذیر 9 Episodic - Non
۳
لیستا در مقابلیویا 64۰ - atic
ا#جنف رمو 90 Bansenis.
نله دی سثاء چیه مانله: 5 SREY Mati
agent oe
yousefpour@shomal.ac.ir
صفحه 33:
هوش مصنوعی - فصل دوم : انواع محیط
۱- قابل مشاهده در مقابل نیمه قابل مشاهده
محیط قابل مشاهده: محیطی که عامل آن توسط ابزار حسکنندهاش امکان دسترسی به وضعیت
کامل محیط را در هر مقطع زمانی داشته باشد.
محیط قابل مشاهده راحت است. زیرا عامل نیازمند دستکاری هیچ وضعیت داخلی برای حفظ
دنیا را نخواهد داشت.
مثل : بازی شطرنج
عامل با حسگرها احاطه کامل بر محیط دارد و تمام جنبه های لازم جهت انتخاب عمل
شتاسایین :مین کنید:
yousefpour@shomal.ac.ir
صفحه 34:
هوش مصنوعی - فصل دوم : انواع محیط
۲- قطعی در مقابل احتمالی ( غیر قطعی )
محیط قطعی: محیطی است که اگر حالت بعدی محیط کاملا توسط حالت فعلی و عملی
که عامل در حال انجام آن است. قابل تعیین باشد.
اگر محیط کاملاً قابل مشاهده و قطعی باشد آنگاه عامل نباید نگران عدم قطعیت باشد
اگر محیط نیمه قابل مشاهده باشد, محیط غیرقطعی و احتمالی به نظر می آید.
اگر محیط پیچیده باشد و ردیایی تمام جنبه های مشاهده نشده دشوار است لذا بهتر است
قطعى بودن يا نبودن محيط را از ديدكاه عامل در نظر بكيريم.
yousefpour@shomal.ac.ir
صفحه 35:
هوش مصنوعی - فصل دوم : انواع محیط
اگر محیط در مواردی غیر از فعالیتهای عاملهای دیگر, قطعی باشد آنگاه محیط استراتژیک
(راهبردی) است.
مثال :
۱-بازی شطرنح سس محیط استراتژیک
۲-راننده تاکسی lea! Layee
-رفتار ترافیکی -پنچر شدن خراب شدن موتور
۳- دنیای مکش سس بر اساس تعریف قبلی باشد آنگاه تمحیط قطعی
ولی با افزودن پارامتری مثل پیدایش کثیفی و
فرآیند مکش غیر مطمئن آنگاه: محیط احتمالی
yousefpour@shomal.ac.ir
صفحه 36:
هوش مصنوعی - فصل دوم : انواع محیط
۳- رویدادی (اپیزودیک) در مقابل ترتیبی (غیر اپیزودیک)
سا محیط اپیزودیک (محیط نامنظم یا رویدادی). تجربه عامل به اپیزودهایی
(یا رویدادهای اتمیک) تقسیم میگردد.
سا هر اپیزود شامل ادراک عامل و سپس انجام یک عمل است.
کیفیت اعمال آن تنها به خود اپیزود وابسته است. و به فعالیتهای اپیزودهای قبلی بستگی ندارد.
الا محيطهاى دنباله اى يا ترتيبى تصميم فعلى مى تواند در تمام تصميمات بعدى موثر باشد.
مثل : شطرنج - یک محیط غیر اپیزودیک
مثل : آنالیز تصویر - یک محیط اپیزودیک
yousefpour@shomal.ac.ir
صفحه 37:
هوش مصنوعی - فصل دوم : انواع محیط
۴- ایستا در مقابل پویا
محيط يويا؛ محیطی که در حین سنجیدن عامل تغییر میکند.
محیط نیمهپویا: محیطی که با گذر زمان تغییر نمیکند اما امتیاز کارایی تغییر میکند.
مفال محبط بویا : تشخیص نوغ پرنده در حال پرواز - راننده تاکسی
مثال محیط نیمه یوبا: بازی شطرنج با در نظر گرفتن زمان
محیطهای ایستا برای کار ساده هستند زیرا عامل نیاز به نگاه کردن به دنیا در
حين تصمیمگیری عملی نداشته و همچنین در مورد گذر زمان نیز نگران نمیباشد.
yousefpour@shomal.ac.ir
صفحه 38:
هوش مصنوعی - فصل دوم : انواع محیط
۵- گسسته در مقابل پیوسته
محیط گسسته: اگر تعداد مشاهدات و ادراکات محدود و متناهی باشد.
مثال:
- بازى شطرنج كسسته است زيرا جيد حالت مجزاى متناهى دورس تورت وجوه دازد:
aang gpa Pauly اسك زيراً شرفته فحل تاکسی؛ وضیت هوا: زمان
و هميشه در حال تغییر است.
yousefpour@shomal.ac.ir
صفحه 39:
هوش مصنوعی - فصل دوم : انواع محیط
۶- تک عامله در مقابل چند عامله
تعداد عاملهای در نظر گرفته شده در مسئله
مثال:
- حل جدول متقاطع - تک عامله
- بازی شطرنج - محیط دو عامله رقابتی
- رانندگی تاکسی - اجتناب از تصادف اندازه کارآیی تمام عاملها را افزا
پس محیط. چند عامله نیمه همکار است
7 ونیز نیمه رقابتی است مثل پارک نمودن
صفحه 40:
هوش مصنوعی 2 فصل دوم : انواع محیط
منالهایی از انواع محيط و ویژگیهای آنها
Multi
Multi
Multi
Multi
Multi
Single
Single
Single
Multi
YES
YES
YES
NO
NO
NO
NO
NO
NO
YES
YES
YES
NO
NO
Semi
NO
NO
NO
NO
NO
NO
NO.
NO
YES
YES
NO
NO
Strategic
Strategi
6
No
NO
NO
NO
YES
NO
NO
NO
YES
NO
YES
NO
NO
YES
NO
NO
NO
ربات جابجا کننده آشیاء
کنترلقنندهپلایشگاه
آموزش دهنده آنگلیسی با آرتباط.
yousefpour@shomal.ac.ir
