خلاصه پایان نامه طراحی و پیاده سازی رفع کننده ی تناقض در یک سیستم تصمیم همیار هوشمند مبتنی بر تنوع نقطه نظرات
پایاننامه کارشناسی ارشد در رشته مهندسی کامپیوتر (هوش مصنوعی)
چکیده
طراحی و پیادهسازی رفع کنندهی تناقض در یک سیستم تصمیم همیار هوشمند مبتنی بر تنوع نقطه نظرات
رفع ناسازگاری یک رویهی مهم در بسیاری از سیستم های هوشمند از جمله سیستم های مبتنی برقانون میباشد. این رویه، ترتیب اجرای قوانین را در شرایطی که بیش از یک قانون برای اجرا وجود دارد، تعیین مینماید. برای رفع ناسازگاری، روشهای مختلفی وجود دارد. در این پژوهش، به منظور رفع ناسازگاری در یک سیستم مبتنی بر قانون، از پیگیری نقطه نظرات مختلف در مسیرهای استنتاج مجزا، استفاده شده است. این سیستم، یک سیستم تصمیمهمیار هوشمند است که در هنگام وقوع ناسازگاری، با در نظر گرفتن خطوط استنتاج جداگانه برای هر یک از قوانین ناسازگار، امکان آگاهی از تمامی انتخابهای ممکن را برای تصمیمگیرنده فراهم میسازد.
به طورکلی، سیستمهای تصمیمهمیار هوشمند با وارد نمودن تکنیکهای مختلف هوش مصنوعی در ساختار سیستمهای تصمیمهمیار، این سیستمها را به منظور حمایت بیشتر و ارتقاء تصمیمگیری، بهبود بخشیدهاند.
سیستم تصمیم همیار هوشمندی که در این پژوهش ارائه شده، به منظور یاریرساندن به یک بازیکن در یک بازی استراتژیک بلادرنگ پیادهسازی شده است. ایجاد برنامههای کامپیوتری در رابطه با بازیهای استراتژیک بلادرنگ، یک زمینهی جدید در حیطهی بازی در هوش مصنوعی به حساب میآید. این برنامهها محدود به ایجاد حریفان هوشمند به منظور سرگرم نمودن بازیکنهای انسانی نمیباشد و امرزوه شبیهسازهایی با کارایی بالا جهت تمرین افراد نظامی، از خواستههای مطرح بوده و تحقیقات هوش مصنوعی در زمینهی این نوع از بازیها، علاوه بر تولیدکنندگان تجاری بازیها، از حمایتهای وسیع برخی از موسسات دفاعی نیز برخوردار میباشد.
نتایج بدست آمده از ارزیابی سیستم ارائه شده در این پژوهش، حاکی از آن است که بازیکن به کمک این دستیار هوشمند میتواند عملکرد بهتری نسبت به سایر بازیکنان داشته باشد.
فصل اول
مقدمه
مسائل بسیاری وجود دارند که محدود به یک راهحل منحصر به فرد نمیباشند. علاوه براین، برخی از مسائل ممکن است تعداد نامحدودی مسیرهای پاسخ مشابه، داشته باشند. یک ناسازگاری[1] هنگامی روی میدهد که تصمیمهای گوناگونی، متناظر با مسیرهای پاسخ متمایز، فراهم باشد.
به طور کلی در سیستمی که دارای مجموعههای نسبتاً بزرگی از قوانین و حقایق باشد، درج یک حقیقت میتواند منجر به صحیح شدن ارزش چندین قانون و در نتیجه فعال شدن آنها گردد. هر ترتیبی از اجرای این قوانین، میتواند نتایج متفاوتی را به دنبال داشته باشد که در این صورت این مجموعه از قوانین، مجموعهی قوانین ناسازگار نامیده میشوند. یک استراتژی رفع ناسازگاری ترتیبی را برای اجرای این مجموعه از قوانین تعیین مینماید.
سیستم های هوشمند از قبیل سیستمهای مبتنی بر قانون، ابزارهای برنامهریزی، و ساختارهای وابسته به دانش، از استراتژیهای متفاوتی برای رفع ناسازگاری استفاده میکنند] 2[.
در این پژوهش در ابتدا در رابطه با این شیوههای متفاوت توضیحاتی ارائه میگردد و پس از آن ایدهایی که به منظور رفع ناسازگاری در سیستم پیشنهادی بکار برده شده، شرح داده میشود. سیستم پیشنهادی یک سیستم تصمیمهمیار هوشمند است که به منظور یاری رساندن به یک بازیکن در یک بازی استراتژیک بلادرنگ طراحی و پیادهسازی شده و شرح ساختار و ویژگیهای آن در فصول آتی آمده است. همچنین در این پایاننامه در ارتباط با سیستمهای تصمیمهمیار هوشمند و ساختارهای مختلفی که محققان برای پیادهسازی این سیستمها در نظر گرفتهاند، نیز مطالبی ارائه شده است.
1-1- رفع ناسازگاری
در بسیاری از سیستم های مبتنی بر قانون، موتور استنتاج، یک مولفهی نرمافزاری است که در هنگام اجرای برنامهی کاربردی، بر روی مجموعهایی از قوانین، استنتاج میکند. از جمله مهمترین وظایفی که توسط موتور استنتاج صورت میگیرد، رفع ناسازگاری است] 47[. به طور کلی، رفع ناسازگاری، یک استراتژی، برای انتخاب ترتیب اجرای قوانین است هنگامی که بیش از یک قانون بتواند اجرا شود.
برای رفع ناسازگاری روش های مختلفی وجود دارد. سادهترین راهحل، انتخاب تصادفی قوانین است. در برخی از استراتژیها، از جمله مهمترین فاکتورهایی که در انتخاب قوانین موثر است مقدار اولویتی است که توسط سازندهی سیستم به هر قانون اختصاص داده میشود که در این روش برای قوانین با الویت یکسان باید از روش دیگری استفاده گردد. روشهای خبرهتر از اطلاعات آماری مرتبط با موفقیتها و عدم موفقیتهای پیشین در هنگام بکار بردن قوانین مختلف، به منظور پیبردن به احتمال موفقیت، استفاده میکنند. همچنین برخی از روشها، هزینههای قوانین را که نشاندهندهی تلاشهایی است که حلکنندهی مسئله برای انجام اعمال بدان نیازمند است (مانند زمان) بحساب میآورند] 2[.
روشی که در این پژوهش به منظور رفع ناسازگاری بکار برده شده، با در نظر گرفتن یک خط استنتاج جداگانه برای هر یک از قوانین ناسازگار در طی روند استنتاج، تمامی حالات ممکن برای اولویتبندی در اجرای قوانین را تحت پوشش قرار میدهد.
1-2- سیستم های تصمیم همیار و سیستم های تصمیم همیار هوشمند
به طور کلی، اخذ تصمیم، یکی از مهمترین و حساسترین فعالیتهایی است که در هر سازمان و یا تشکیلاتی صورت میگیرد] 48[. برای پشتیبانی و حمایت از این روند پیچیده، دستهی متنوعی از سیستمهای اطلاعاتی مستقل بنام سیستمهای تصمیمهمیار، در طی دو دههی گذشته به وجود آمدهاند. این سیستم ها به صورت ابزارهای مبتنی بر کامپیوتری که به منظور پشتیبانی از روند پیچیدهی اخذ تصمیم و حل مسئله ایجاد میشوند، تعریف و در جهت ایجاد محیطی برای تحلیل مسائل، ساخت مدلها و شبیهسازی رویهی تصمیمگیری و برنامههای تصمیمگیرندگان طراحی میگردند] 49[.
این سیستمهای اطلاعاتی، که به منظور حمایت فعل و انفعالی از تمامی مراحل روند اخذ تصمیم یک کاربر، طراحی میشوند، میتوانند شامل تکنولوژیهایی برگرفته از زمینههای علمی مختلف شامل حسابداری، علوم شناختی، علوم کامپیوتر، اقتصاد، مهندسی، مدیریت، آمار و ... باشند و اغلب از سه مولفهی زیرسیستم داده، زیر سیستم مدل (که دارای مکانیزمی برای پردازش داده میباشد) و زیرسیستم ارتباط با کاربر، تشکیل شدهاند] 19[.
اگرچه، سیستم های تصمیم همیار با بکار بردن منابع اطلاعاتی و ابزارهای تحلیل گوناگون، شرایط بهتر و با کیفیت بیشتری را برای تصمیمگیرندگان فراهم میسازند و داشتن یک نقش حمایتی به جای جایگزینی کامل افراد در روند اخذ تصمیم، از اهداف اصلی آنهاست] 12[، اما نمیتوان آنها را به عنوان یک همیار هوشمند برای تصمیمگیرندگان در نظر گرفت. سیستمهای تصمیمهمیار هوشمند، برای مسائل عمومیایی که به تصمیمگیریهای مکرر نیاز دارند، مفید و از لحاظ اقتصادی مقرون به صرفه هستند. این سیستمهای محاورهایی مبتنی بر کامپیوتر، برای حل مسائل نیمه ساختیافته، از، ترکیب داده و دانش تخصصی و مدلهایی که برای حمایت از تصمیمگیرندگان در سازمانها بکار میرود، با تکنیکهای هوش مصنوعی، استفاده میکنند] 50[.
تعاریف مختلفی از تفاوتهای میان یک سیستم تصمیمهمیار و یک سیستم تصمیمهمیار هوشمند وجود دارد که این امر به دلیل وجود انواع مختلف سیستمهای تصمیمهمیار هوشمند میباشد. در این سیستمها، عملکرد هوشمندانه در تصمیمگیری، با بهبودهایی نظیر ارتقاء سیستم مدیریت پایگاه مدل و یا تقویت فاصل کاربر با استفاده از تکنیکهای گوناگون هوش مصنوعی مانند پردازش زبان طبیعی و یا سایر تکنیکهای مشابه، میسر شده است. همچنین، این نوع از سیستمها با حمایت از مسائلی با عدم قطعیت، امکان پشتیبانی از محدودهی وسیعتری از تصمیمات را فراهم ساخته و میتوانند قلمروهایی را کنترل و مدیریت نمایند که در آنها روند تصمیمگیری پیچیدهتر بوده و علاوه بر مهارت و خبرگی، به ارزیابی اثر راهحل پیشنهادی نیز نیاز دارد. از دیگر مزایای سیستمهای تصمیمهمیار هوشمند نسبت به سیستم های تصمیمهمیار، بهبود سازگاری در تصمیمات، بهبود تشریح و تفسیر و توجیه پیشنهادات ارائه شده توسط سیستم میباشد] 19[.
Holsapple و Whinston از اولین محققانی بودند که به طراحی و مطالعهی سیستمهای تصمیمهمیار هوشمند، پرداختند] 51[. آنها مشخصههای زیر را برای این سیستمها پیشنهاد دادند:
این سیستمها شامل انواع مختلف دانش که نمودهای انتخاب شدهایی از دنیای تصمیمگیرنده را توصیف میکنند، میباشند.
این سیستمها دارای توانایی بدست آوردن و نگهداری دانش توصیفی[2] مانند نگهداری رویداد[3] و انواع دیگر دانش هستند.
این سیستمها میتوانند دانش را به شیوههای مختلف تولید نموده و ارائه دهند.
آنها میتوانند دانشی را برای ارائه یا بدست آوردن دانش جدید، انتخاب نمایند.
این سیستمها میتوانند به صورت مستقیم (هوشمند) با تصمیمگیرنده در ارتباط باشند.
اگرچه این سیستمها حامیانی هوشمند و انسانگونه در روند تصمیمگیری هستند، اما تصمیمگیرندگان باید تصمیمات نهایی و بحرانی را خود اتخاذ نمایند.
1-3- هدف از این پایاننامه
هدف از این پایاننامه، ارائهی یک سیستم تصمیمهمیار هوشمند است که در هنگام وقوع ناسازگاری، برای هر یک از قوانین ناسازگار، یک خط استنتاج مجزا را در نظرگرفته و با پیشبرد استنتاج در هر یک از این خطوط، امکان آگاهی از نتایج انتخاب هر یک از راهحلهای ممکن را برای تصمیمگیرنده فراهم میسازد. این سیستم، یک سیستم مبتنی بر قانون است که به منظور یارینمودن یک بازیکن در یک بازی استراتژیک بلادرنگ طراحی و پیادهسازی شده است.
در این پژوهش، روشهای گوناگونی که به منظور رفع ناسازگاری در سیستمهای هوشمند بکار برده شده و نیز ساختارهای مختلفی که برای سیستمهای تصمیمهمیار هوشمند مورد استفاده قرار گرفته، بررسی و ارائه شده است.
1-4- نگاه کلی به فصول پایاننامه
مطالب عنوان شده در این پایان نامه در قالب هفت فصل آورده شدهاند. در فصل دوم، روشهای گوناگون رفع ناسازگاری شرح داده شده و فصل سوم به بیان ساختارهایی که برای سیستمهای تصمیمهمیار هوشمند در تحقیقات مختلف ارائه شده، میپردازد. در فصل چهارم بازیهای کامپیوتری استراتژیک بلادرنگ معرفی و ویژگیهای سیستمهای مربوط به این نوع از بازیها مطرح شده است. فصل پنجم، ساختار و مولفههای سیستم پیشنهادی و نیز روش رفع ناسازگاری بکار برده شده در این سیستم را شرح میدهد. ارزیابی سیستم پیشنهادی و نتایج آن در فصل ششم آورده شده و فصل انتهایی نیز به نتیجهگیری و ارائهی کارهای آیندهی میپردازد.
فصل دوم
روشهای رفع ناسازگاری
روشهای رفع ناسازگاری
2-
2-1- مقدمه
رفع ناسازگاری، یک استراتژی، جهت انتخاب ترتیب اجرای قوانین است هنگامی که بیش از یک قانون بتواند اجرا شود. به طورکلی، در سیستمهایی که رفع ناسازگاری در روند استنتاج آنها صورت میگیرد، موتور استنتاج یک رویهی سه مرحلهایی شناسایی- رفع - عمل را بر روی مجموعهی قوانین اعمال میکند [1]:
شناسایی: تشخیص قوانینی که میتوانند اجرا گردند و قراردادن آنها در مجموعهی ناسازگاری.
رفع: استفاده از یک استراتژی به منظور انتخاب یک قانون از مجموعهی ناسازگاری.
عمل: اجرای قانون منتخب و افزودن نتایج آن به حافظهی کاری[4].
در استراتژیهای رفع ناسازگاری، لیست اجرا[5]، فهرستی از تمامی قوانینی است که شرایط آنها ارضاء شده ولی هنوز اجرا نشدهاند. این لیست، همانند یک پشته[6] عمل میکند و قانونی که در بالای آن قرار دارد، پیش از سایر قوانین موجود در آن اجرا میگردد. یک استراتژی رفع ناسازگاری، ترتیبی را برای اجرای قوانین موجود در لیست اجرا با اولویت یکسان تعیین مینماید.
در این فصل در رابطه با روشهایی که به منظور رفع ناسازگاری در سیستمهای مختلف بکار برده میشود، توضیحاتی ارائه شده است. این توضیحات، در ابتدا استراتژیهای سادهتر و در ادامه روشهایی با پیچیدگی بیشتر را شرح میدهد.
2-2- برخی استراتژی های ساده برای رفع ناسازگاری
به طور کلی به منظور رفع ناسازگاری در بسیاری از سیستمها، از روشهای سادهایی استفاده شده که در ادامه در رابطه با هر یک از این استراتژیها توضیحات مختصری ارائه میگردد [1]:
فهرست پایان نامه طراحی و پیاده سازی رفع کننده ی تناقض در یک سیستم تصمیم همیار هوشمند مبتنی بر تنوع نقطه نظرات
فهرست:
فصل اول. مقدمه.. 1
1-1- مقدمه 2
1-2- رفع ناسازگاری.. 3
1-3- سیستمهای تصمیمهمیار و سیستمهای تصمیمهمیار هوشمند.. 4
1-4- هدف از این پایاننامه. 6
1-5- نگاه کلی به فصول پایاننامه. 6
فصل دوم. روشهای رفع ناسازگاری... 7
2-1- مقدمه. 8
2-2- برخی استراتژیهای ساده برای رفع ناسازگاری.. 9
2-3- رفع ناسازگاری با استفاده از یک مقدار سودمندی.. 13
2-4- رفع ناسازگاری با استفاده از هزینههای تخمین زده شدهی تصادفی.. 15
2-4-1- تخمین امید ریاضی هزینه 17
2-4-2- برآورد بازگشتی 18
2-4-3- رفع ناسازگاری 19
2-5- رفع ناسازگاری با استفاده از برنامهنویسی خطی.. 21
2-6- رفع ناسازگاری با استفاده از تئوری بازی.. 22
2-7- رفع ناسازگاری با استفاده از مدل گراف... 23
2-8- رفع ناسازگاری با استفاده از روند سلسله مراتبی تحلیلی و بهبود آن.. 25
فصل سوم. سیستمهای تصمیمهمیار هوشمند... 31
3-1- مقدمه. 32
3-2- ویژگیهای سیستمهای تصمیمهمیار هوشمند.. 33
3-3- معرفی چند سیستم تصمیمهمیار هوشمند با ساختارهای متفاوت... 36
3-3-1- استفاده از الگوریتمهای تکاملی در ساختار IDSS 36
3-3-2- استفاده از عامل هوشمند در ساختار IDSS 38
3-3-3- استفاده از روشهای دادهکاوی و شبکههای عصبی مصنوعی در ساختار IDSS 40
3-3-4- استفاده از یک روش تصمیمگیری مبتنی بر منطق فازی در ساختار IDSS 46
3-3-5- استفاده از استنتاج مبتنی بر مورد در ساختار IDSS 51
3-3-6- استفاده از مولفههای مبتنی بر قانون در ساختار IDSS 55
فصل چهارم. بازیهای کامپیوتری استراتژیک بلادرنگ و سیستمهای هوشمند مرتبط با آنها 57
4-1- مقدمه. 58
4-2- ویژگیهای بازیهای استراتژیک بلادرنگ.... 59
4-3- مروری بر سیستمهای هوشمند مرتبط با بازیهای استراتژیک بلادرنگ.... 63
فصل پنجم. سیستم پیشنهادی... 71
5-1- مقدمه. 72
5-2- معرفی سیستم پیشنهادی.. 73
5-3- مولفههای اصلی سیستم پیشنهادی.. 74
5-4- روش رفع ناسازگاری بکار برده شده در سیستم پیشنهادی.. 77
فصل ششم. ارزیابی و نتایج... 80
فصل هفتم. نتیجهگیری و کارهای آینده. 89
فهرست منابع............................................................................................................... 92
منبع:
[1] Giarratano, J. C. (2003). “CLIPS 6.21 User's Guide”, International Thompson Publishing.
[2] Belavkin, R. V. (2003). “Conflict resolution by random estimated costs”, Proceedings of the 17th European Simulation Multiconference (c) SCS Europe, BVBA.
[3] Jones, G., Ritter, F. E., Wood, D. J. (2000). “Using a cognitive architecture to examine what develops”, Psychological Science, 11(2), 93–100.
[4] Belavkin, R. V., Ritter, F. E. (2003). “The use of entropy for analysis and control of cognitive models”, Proceedings of the Fifth International Conference on Cognitive Modelling (pp. 21–26). Bamberg, Germany: Universit¨ats–Verlag Bamberg.
[5] Belavkin, R. V. (2002). “On emotion, learning and uncertainty: A cognitive modelling approach”, PhD Thesis, The University of Nottingham, United Kingdom.
[6] Lo C., Wu C. (2005). “The Survey and Expansion on Quantitative Methods to Conflict Resolution”, Proceedings of the Third International Conference on Information Technology and Applications (ICITA’05), 268-271.
[7] Fang L., Hipel K. W., Kilgour D. M. (1993). Interactive Decision Making: The Graph Model for Conflict Resolution. New York: Wiley.
[8] Obeidi A., Hipel K.W., Kilgour D.M. (2005). “The Role of Emotions in Envisioning Outcomes in Conflict Analysis”, Journal of Group Decision and Negotiation, Vol. 14, No. 6: 481-500.
[9] Kilgour D. M., Hipel K. W. (2005). “The Graph Model for Conflict Resolution: Past, present, and future”, Group Decision and Negotiation, Vol. 14, No. 6: 441-460.
[10] Obeidi A., Hipel K. W., Kilgour D. M. (2005). “Perception and Emotion in the Graph Model for Conflict Resolution”, Intetnational Conference on Systems, Man and Cybermetics, ISIC.
[11] Saaty T. L. (2001). The Analytic Network Process: Decision Making with Dependence and Feedback. 2nd ed., Pittsburgh: RWS Publications.
[12] Gupta J., et al. (2006). Intelligent Decision-making Support Systems, Foundations, Applications and Challenges. Springer, 1st Edition, XXIV, 503p.105 illus.
[13] Li Y, Hipel K.W. (2007). “The Integration of a Multiple Criteria Preference Ranking
Approach for Conflict Resolution”, Intetnational Conference on Systems, Man and Cybernetics, ISIC.
[14] Phillips-Wren G., Forgionne G. (2002). “Evaluating web-based and real-time decision support systems”, Proceedings of the DSIAge Conference, 166-175.
[15] Han J. (1998). “Data Mining: An Overview from Databases Perspective”, Tutorial on the Pacific-Asia Conference in Knowledge Discovery and Data Mining (PKDD-98).
[16] Forgionne G., Mora M., Cervantes F., Gelman O. (2002). “I-DMSS: A conceptual architecture for the next generation of decision-making support systems in the internet age”, Proceedings of the DSIAge Conference, 154-165.
[17] Michalewicz Z., et al. (2005). “Case study: An intelligent decision-support system”, IEEE Intelligent Systems: putting AI into practice, 20 (4):44-49.
[18] Edwards JS., Duan Y., Robins PC. (2000). “An analysis of expert systems for business decision-making at different levels and in different roles”, European Journal of Information Systems, 9:36-46.
[19] Foster D., et al. (2005). “A Survey of Agent-Based Intelligent Decision Support Systems to Support Clinical Management and Research”, In: 1st Intl. Workshop on Multi-Agent Systems for Medicine, Computational Biology, and Bioinformatics.
[20] Turban E., Aronson J., Liang T. (2005). Decision Support Systems and Intelligent Systems.7th Edn., New Jersey: Pearson Prentice-Hall.
[21] Hayes-Roth F., Jacobstein N. (1994). “The state of knowledge-based systems”, Communications of the ACM, 37 (3); 27-39.
[22] Tecuci G., Kodratoff Y. (1995). Machine Learning and Knowledge Acquisition: Integrated Approaches. London UK: Academic Press.
[23] Azvine B., Azarmi N., Nauck D. (2000). Intelligent Systems and Soft Computing: Prospects, Tools and Applications. (Eds. Carbonell, J. and Siekmann, J.), Lecture Notes in Artificial Intelligence. Adastral Park, UK: Springer-Verlag.
[24] Sun R. (2001). “Artificial intelligence: connectionist and symbolic approaches”, In (Eds.Smelser, N.J. and Baltes, P.B.), International Encyclopedia of the Social and Behavioral Sciences, 783-789.
[25] Viademonte S. (2004). “A Hybrid Model for Intelligent Decision Support: Combining Data Mining And Artificial Neural Networks”, PhD. Thesis, Faculty of Information Technology, Monash University, Australia.
[26] Agrawal R., Imielinsk T., Swami A. (1993). “Mining association rules between sets of items in large databases”, ACM SIGMOD Conference on Management of Data (SIGMOD'93), New York, NY: ACM Press: 207-216.
[27] Machado RJ., Rocha AF. (1990). “The combinatorial neural network: a connectionist model for knowledge based systems”, Uncertainty in knowledge bases. Berlin, Germany: Springer Verlag.
[28] Leao BF., Rocha A. (1990). “Proposed methodology for knowledge acquisition: a study on congenital heart disease diagnosis”, Methods of Information in Medicine, 29: 30-40.
[29] El-Gayar OF., Leung PS. (2001). “A multiple criteria decision-making framework for regional aquaculture development”, European Journal of Operational Research, 133: 462-482
[30] Kirby N. (2010). Introduction to Game AI. Course Technology PTR.
[31] Proctor M., et al. (2008). “Drools Documentation”, JBoss Community.
[32] Buro M., Furtak T.M. (2004). “RTS games and real-time AI research” Proceedings of the Behavior Representation in Modeling and Simulation Conference (BRIMS), 51–58.
[33] Herz J.C., Macedonia M.R. (2002). “Computer games and the military: Two views. Defense Horizons”, Center for Technology and National Security Policy, National Defense University.
[34] Hsieh J.L., Sun Ch. T. (2008). “Building a Player Strategy Model by Analyzing Replays of Real-Time Strategy Games”, International Joint Conference on Neural Networks (IJCNN).
[35] Aha D., et al. (2005). “Learning to Win: Case-Based Plan Selection in a Real-Time Strategy Game”, Case-Based Reasoning Research and Development, 5-20.
[36] Ponsen M., Spronck P. (2004). “Improving adaptive game AI with evolutionary learning”, MSc. Thesis, 389-396.
[37] Buchanan B.G. (2005). “A (Very) Brief History of Artificial Intelligence” AI Magazine, Vol. 26: 53-60.
[38] Samuel A. L. (1995). “Some studies in machine learning using the game of checkers” Computers & thought, MIT Press: 71-105.
[39] Schaeffer J. (2001). “A Gamut of Games,” AI Magazine, vol. 22: 29-46.
[40] Laird J. (2001). “Using a computer game to develop advanced AI”, Computer, 34(7):70–75.
[41] Laird J., Newell A., Rosenbloom P.S. (1987). “SOAR: An architecture for general intelligence”, Artificial Intelligence Journal, 33(3):1–64.
[42] Atkin M.S. (1998). “AFS and HAC: Domain-general agent simulation and control”, In AAAI Workshop on Software Tools for Developing Agents.
[43] Atkin M.S., Cohen P.R. (1998). “Physical planning and dynamics”, In Working notes of the AAAI Fall Symposium on Distributed Continual Planning.
[44] Wikipedia, the free encyclopedia, “Stratagus”,
[Online]. . [12 Sept 2011].
[45] Spronck P., Sprinkhuizen-Kuyper I., Postma E. (2004). “Online Adaptation of
Game Opponent AI in Theory and Practice”, Proceedings of the 4th International
Conference on Intelligent Games and Simulation (GAME-ON 2004), 93-100.
[46] Wikipedia, the free encyclopedia, “Age of Empires III”,
[Online]. . [10 May 2011].
[47] Hicks R. C. (2007). “The no inference engine theory — Performing conflict resolution during development”, Decision Support Systems, Vol. 43: 435-444.
[48] Simon H.A. (1997). Administrative behavior: a study of Decision-Making process in Administrative Organizations. New York: Free Press.
[49] Shim J.P., et al. (2002). “Past, present and future of decision support technology” Decision Support Systems, Vol. 33:111-126.
[50] Tozour P. (2002). The Perils of AI Scripting. AI Game Programming Wisdom (ed. S. Rabin), Charles River Media. 541-547.
[51] Holsapple CW., Whinston AB. (1996). Decision Support Systems-A Knowledge-Based Approach, West Publishing Company.
[52] Woodcock, S. (2003). “AI RoundTable Moderator’s Report 2003”,
[online]. .
[53] Sweetser P. (2002). “Current AI in Games: A review”, Australian Journal of Intelligent Information Processing Systems, Scool of ITEE, University of Queensland.