بهبود تصمیم‌گیری چندلایه در بازی‌های استراتژیک هم‌زمان با روش الگوریتم بهبود‌یافته فرماندهی و بهینه‌سازی و کنترل تطبیقی تاکتیکی

بازی‌های ویدیویی استراتژی هم‌زمان، با ساختاری پیچیده و نیاز به تصمیم‌گیری هم‌زمان، به بستری ایده‌آل برای پژوهش در زمینه هوش مصنوعی تبدیل شده‌اند. در این مقاله، مدلی ترکیبی برای بهبود عملکرد عامل هوشمند در این بازی‌ها ارائه شده که شامل ساختاری سلسله‌مراتبی برای تصمیم‌گیری راهبردی و الگوریتم‌های تطبیقی برای کنترل تاکتیکی است. در سطح راهبردی از ساختار شبکه وظیفه‌ای سلسله‌مراتبی بهره گرفته شده که با در نظر گرفتن وضعیت محیط، منابع و هدف بازی، مسیرهای ممکن برای توسعه پایگاه و ارتش را تحلیل می‌کند. در سطح تاکتیکی، با استفاده از الگوریتم جستجوی عروسکی و الگوریتم درخت جستجوی مونت‌کارلو با کنترل تطبیقی، تصمیم‌گیری برای مدیریت نبردها و چینش نیروها صورت می‌گیرد. در این مقاله، روش پیشنهادی الگوریتم بهبود‌یافته فرماندهی و بهینه‌سازی ارائه شده است که نسخه‌ای بهبود‌یافته از الگوریتم BOSS برای تصمیم‌گیری چندلایه در محیط‌های استراتژی زمان‌واقعی است. این روش با ترکیب ساختار سلسله‌مراتبی راهبردی، الگوریتم‌های تطبیقی تاکتیکی (Puppet Search)، و کنترل واکنشی مبتنی بر ABCD و UCT-CD طراحی شده است. همچنین، در سطح کنترل پایین، از الگوریتم‌هایی نظیر ABCD و الگوریتم درخت جستجوی مونت‌کارلو با کنترل تطبیقی D جهت مدیریت دقیق حرکات واحدها بهره گرفته شده است. برای ارزیابی مدل پیشنهادی، مجموعه‌ای از سناریوهای عملیاتی در محیط بازی StarCraft پیاده‌سازی و با سه الگوریتم مرجع (BWSAL ، BOSS و مدل‌های میکرو پایه) مقایسه شد. نتایج تجربی نشان می‌دهد که عامل پیشنهادی در مقایسه با مدل‌های موجود، عملکرد بهتری از نظر زمان، دقت و هماهنگی تاکتیکی داشته و در عین حال، با سرعت ا