مدل‌سازی و تحلیل بازی معمای زندانی تکراری به کمک شبکه عصبی مصنوعی پادانتشار گراسبرگ

در اکثر اوقات، تصمیم‌گیری موثر در موقعیت‌های راهبردی همچون مسایل رقابتی به نگاشت غیر خطی بین محرک و پاسخ نیاز دارد. شبکه‌های عصبی مصنوعی می‌توانند در مدل‌سازی و حل این مسایل رهیافت مناسبی باشند. بازی معمای زندانی از معروف‌ترین بازی‌های مطرح‌شده در نظریه بازی‌ها است که به کمک آن بسیاری از مسایل رقابتی تحلیل می‌شود و تصمیم‌گیری را تسهیل می‌کند. در این مقاله سعی بر آن است که بازی معمای زندانی تکراری به کمک شبکه عصبی مصنوعی مدل‌سازی و تحلیل شود و به همین دلیل شبکه عصبی پادانتشار گراسبرگ برای انجام این بازی طراحی شده است. نتایج، نشان‌دهنده توانمندی این روش در مدل‌سازی کامل بازی است. نتایج حاصل از به‌کارگیری این ایده با دو روش دیگر (راهبرد tft و مدل‌سازی با شبکه پرسپترون) نشان از کارایی محرز روش جدید است.

Modeling and Analysis Iterated Prison Dilemma Game by Grossberg CounterPropagation Neural Network

Most of the time effective decisions in strategic situations such as competitive issues require a nonlinear mapping between stimulus and response. Artificial neural networks can be an appropriate way for modeling and solving these kinds of problems. Prison Dilemma Game is a wellknown game that is proposed in game theory. This paper tries to describe how using neural network, the iterated prisoner’s dilemma game can be modeled and analyzed. To do this a Grossberg CounterPropagation Neural Network (GCPNN) has been designed to play this game. Results show the capability of this method in complete modeling game. The results present the efficiency of the new method in comparison with the two conventional methods: Tit For Tat (TFT) strategy and Perceptron modeled game.