پاورپوینت کامل نظریه بازی‌ها و تحلیل علمی کاربردهای آن در اقتصاد، سیاست و مدیریت منابع

توجه : این پروژه به صورت فایل power point (پاور پوینت) ارائه میگردد

 پاورپوینت کامل نظریه بازی‌ها و تحلیل علمی کاربردهای آن در اقتصاد، سیاست و مدیریت منابع دارای ۴۵ اسلاید می باشد و دارای تنظیمات کامل در Power Point می باشد و آماده پرینت یا چاپ است

فایل پاور پوینت پاورپوینت کامل نظریه بازی‌ها و تحلیل علمی کاربردهای آن در اقتصاد، سیاست و مدیریت منابع  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

---

لطفا به نکات زیر در هنگام خرید

دانلودپاورپوینت کامل نظریه بازی‌ها و تحلیل علمی کاربردهای آن در اقتصاد، سیاست و مدیریت منابع

توجه فرمایید.

۱-در این مطلب، متن اسلاید های اولیه 

دانلودپاورپوینت کامل نظریه بازی‌ها و تحلیل علمی کاربردهای آن در اقتصاد، سیاست و مدیریت منابع

قرار داده شده است

۲-به علت اینکه امکان درج تصاویر استفاده شده در پاورپوینت وجود ندارد،در صورتی که مایل به دریافت  تصاویری از ان قبل از خرید هستید، می توانید با پشتیبانی تماس حاصل فرمایید

۳-پس از پرداخت هزینه ، حداکثر طی ۱۲ ساعت پاورپوینت خرید شده ، به ادرس ایمیل شما ارسال خواهد شد

۴-در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل اسلاید ها میباشد ودر فایل اصلی این پاورپوینت،به هیچ وجه بهم ریختگی وجود ندارد

۵-در صورتی که اسلاید ها داری جدول و یا عکس باشند در متون زیر قرار داده نشده است

---

بخشی از متن پاورپوینت کامل نظریه بازی‌ها و تحلیل علمی کاربردهای آن در اقتصاد، سیاست و مدیریت منابع :

اسلاید ۱ :

تئوری بازی ها 

بازی ها چه هستند و چرا مطالعه میشوند؟

بازی ها: حالتی از محیطهای چند عاملی را نشان می دهند که:

هر عامل نیاز به در نظر گرفتن سایر عاملها و چگونگی تأثیر آنها دارد

تمایز بین محیطهای چند عامل رقابتی و همکار

محیطهای رقابتی، که در آنها اهداف عاملها با یکدیگر برخورد دارند، منجر به مسئله های رقابتی میشود که به عنوان بازی شناخته میشوند

اسلاید ۲ :

و چرا بازی ها مطالعه می شوند :

× قابلیتهای هوشمندی انسانها را به کار میگیرند

×ماهیت انتزاعی بازی ها

×حالت بازی را به راحتی میتوان نمایش داد و عاملها معمولا به مجموعه کوچکی از فعالیتها محدود هستند که نتایج آنها با قوانین دقیقی تعریف شده اند

به عنوان مثال: دلایلی که محققین قدیم، شطرنج را به‌عنوان موضوعی در AI برگزیدند:

ï بازی شطرنج کامپیوتری اثباتی بر وجود ماشینی است که اعمال هوشمندانه‌ای را انجام می‌دهند.

ï سادگی قوانین

ï وضعیت دنیا کاملاً برای برنامه شناخته شده است. (بازنمایی بازی به عنوان یک جستجو از طریق فضای موقعیت‌های ممکن بازی، ساده است.)

اسلاید ۳ :

 پیچیدگی بازی‌ها، به طور کامل نوعی از عدم قطعیت را معرفی می‌کنند.

عدم قطعیت به علت وجود اطلاعات گم شده رخ نمی‌دهد، بلکه به علت اینکه فرد زمانی برای محاسبه دقیق نتایج حرکت ندارد عدم قطعیت بوجود می‌آید.

در این مورد، فرد بر اساس تجربیات گذشته می‌تواند بهترین حدس را بزند.

اسلاید ۴ :

یک نمونه بازی

– یک بازی با دو بازیکن را در نظر می‌گیریم که آن را MIN-MAX  می‌نامیم.

– بدین معناست که هر یک از بازیکن ها ، حرکت خود را در جهت افزایش برد خود (max) و نیز در جهت کاهش برد حریف (min) انجام می دهد.

– پس همیشه حرکت با max است. قبل از حرکت گرافی از دید بازیکن max رسم می شود که بتواند بهترین حرکت را انتخاب کند:

×حالت اولیه: موقعیت صفحه و شناسایی حرکت مجاز

×عملگرها: لیستی از (حالت,حرکت) که معرف یک حرکت معتبر است

×آزمون هدف: پایان بازی چه موقع است؟ (حالتهای پایانه)

×تابع سودمندی: برای هر حالت پایانه یک مقدار عددی را ارائه میکند.            مثلاً: برنده(۱+) و بازنده(۱-) و مساوی(۰)

اسلاید ۵ :

الگوریتم  :MIN-MAX

به منظور تعیین استراتژی بهینه برای MAX طراحی شده است و از اینرو می‌توان بهترین حرکت را تصمیم‌‌گیری کرد. الگوریتم شامل ۵ مرحله است:

.۱تولید درخت کامل بازی، تمام راه تا مراحل پایانی

.۲درخواست تابع سودمندی برای هر حالت پایانی به منظور بدست آوردن مقدارش.

.۳از سودمندی حالات پایانی به منظور تعیین سودمندی گره‌ها یک مرحله بالاتر در درخت جستجو استفاده کنید.

.۴بررسی مقادیر را از گره‌های برگی تا ریشه، یک لایه در هر لحظه، ادامه دهید.

.۵احتمالاً مقادیر به بالای درخت می‌رسند، MAX حرکتی را انتخاب می‌کند که به بالاترین مقدار منتهی می‌شود.

اسلاید ۶ :

m: حداکثر عمق درخت،

b: تعداد حرکات قانونی در هر نقطه،

کامل بودن: بله (اگر درخت محدود باشد)

پیچیدگی زمانی: الگوریتمminimax ، O(bm) است.              الگوریتم یک جستجو عمقی است.

اسلاید ۷ :

بازیهای قطعی با اطلاعات ناقص (ترسیم درخت بطور ناقص):

بهترین نتیجه ممکنه برای بازیکنی است که گراف را کامل کرده است . استراتژی بازی براساس مسیرهایی از گراف که بهترین نتیجه را می دهد، تعریف می شوند

این تئوری در عمل برای بازیهایی که گراف آنها بسیار پرهزینه است استفاده نمی شود. برای مثال در بازی شطرنج:

میانگین فاکتور انشعاب در حدود ۳۵

در اغلب بازیها هر بازیکن تا ۵۰ حرکت

پس اگر بخواهیم به این تئوری جنبه عمل دهیم باید سعی کنیم براساس گراف کوچک که بخشی از گراف اصلی محسوب می شود استراتژی را تعیین کرد.

اسلاید ۸ :

الگوریتم Minimax   به دو راه تغییر یابد:

q تابع سودمندی با تابع ارزیابی اکتشافی EVAL جایگزین شود.

  – تخمینی از سودمندی موقعیت ارائه میکند

q آزمون پایانی با آزمون قطع Coutoff test جایگزین گردد.

             – تصمیم میگیرد EVAL چه موقع اعمال شود

اسلاید ۹ :

Evaluation Function 

– واضح است که ارائه یک برنامه بازی بی نهایت به کیفیت تابع ارزیابی بستگی دارد.

تابع ارزیابی نمیداند کدام حالت منجر به چه چیزی میشود، اما میتواند مقداری برگرداند که تناسب حالتها را با هر نتیجه را نشان دهد

اسلاید ۱۰ :

چگونه به طور دقیق کیفیت تابع ارزیاب را می‌توان اندازه گرفت؟

.۱تابع ارزیابی با تابع سودمندی در مورد حالت پایانی باید به توافق برسند.

.۲ نباید زیاد طول بکشد! (اگر پیچیدگی را محدود نکنیم minimax به عنوان یک زیربرنامه فراخوانی می‌شود و مقدار دقیق وضعیت محاسبه می‌شود.) از این رو، معامله‌ای بین صحت تابع ارزیابی و هزینه زمان آن وجود دارد.

.۳ تابع ارزیابی باید به درستی شانس‌های واقعی برای برد را منعکس کند.