يادگيري مدل براي انجام عمومي بازي‌هاي ويديويي

تصميم‌گيري دقيق در بازي‌ها همواره يكي از مسائل پيچيده و در عين حال جذاب در هوش مصنوعي بوده است. انجام عمومي بازي‌ها شاخه‌ي جديدي از هوش مصنوعي است كه هدف آن طراحي عامل‌هايي است كه قادر هستند در محيط هر بازي ناشناخته‌اي با تصميم‌گيري‌هاي هوشمندانه عملكرد خوبي از خود نشان دهند. بزرگترين ايرادهاي الگوريتم‌هاي ارائه شده براي حل اين مساله، اول فرض دسترسي داشتن به مدلي دقيق از دنيا (براي انجام جستجو) و دوم برخط بودن روند جستجو (و در نتيجه عدم استفاده از تجربيات گذشته) است. در اين مقاله با ارائه‌ي يك روش برون‌خط براي يادگيري مدلي از دنيا، سعي در برطرف‌سازي اين دو عامل محدود‌كننده مي‌شود. به اين ترتيب كه عامل با تكرار بازي و كسب تجربه، سعي در يادگيري مدلي از دنيا مي‌كند تا در مراحل بعد بتواند از مدل يادگرفته شده در جستجوي خود بهره ببرد. مدل ارائه شده عمومي بوده و در تمامي الگوريتم‌هاي جستجوي مبتني بر مدل قابل استفاده است. در نهايت عملكرد روش ارائه شده در يادگيري مدل دنيا مورد بررسي قرار مي‌گيرد