【Тип работы】: Курсовая работа 【Дисциплина】: Основы алгоритмизации и программирования 【Тема】: Камень, ножницы, бумага 【Задание】: Разработать консольную игру "Камень, ножницы, бумага" на C# с адаптивным ИИ. 【Требования к содержанию и оформлению】: 1. Титульный лист с указанием Министерства науки и высшего образования РФ, названия колледжа (Волго-Вятский колледж информатики, финансов, права, управления), темы работы, дисциплины, данных студента и преподавателя, года (2026). 2. Структура: Оглавление → Введение → Аналитическая часть (цель, задачи, обзор C#, .NET, Visual Studio) → Практическая часть (описание функционала, алгоритмов в виде пронумерованных шагов, тестирование) → Заключение → Список литературы (4-5 источников) → Приложение А (полный код). 3. Ключевая особенность кода (передать как требование): Игрок делает ход (камень/ножницы/бумага), ИИ предсказывает его. Алгоритм ИИ — комбинация методов: · N-граммы (глубина 3): анализирует последние ходы игрока. · Предиктор "После результата": учитывает, какой ход игрок делает после победы/поражения. · Взвешивание предикторов (увеличивается точность лучшего). · Динамическая вероятность случайного хода (exploration rate от 10% до 40%). 4. Общие требования: Объём ~15 страниц, академический стиль, без таблиц, код с комментариями.

Содержание

Введение

1. Глава: Теоретические основы разработки консольной игры «Камень, ножницы, бумага» с адаптивным искусственным интеллектом
   1.1. Основы языка программирования C# и платформы .NET для создания консольных приложений
   1.2. Обзор и классификация алгоритмов искусственного интеллекта для игр с предсказанием действий противника
   1.3. Принципы построения адаптивных систем на основе N-грамм и взвешивания предикторов

2. Глава: $$$$$$$$$$$$ $$$$$$$$$$ $$$$ «$$$$$$, $$$$$$$, $$$$$$» $ $$$$$$$$$$ $$ $$ $$$$$ $#
   2.$. $$$$$$$$$$$ $ $$$$$$$$$$$$$$ $$$$$ $$$$$$$$$$$ $$$$$$$$$$: $$$$$$$$ $$$$$$$ $ $$$$$$$$$$$$$$
   2.2. $$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$: $-$$$$$$, $$$$$$$$$ «$$$$$ $$$$$$$$$$», $$$$$$$$$$$ $ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$
   2.$. $$$$$$$$$$$$ $ $$$$$$ $$$$$$ $$$$$$$$$$$ $$ $ $$$$$$$$$ $$$$$$$ $$$$$$$$$

$$$$$$$$$$

$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$$

Введение

Современная алгоритмизация и программирование представляют собой фундаментальные дисциплины, формирующие основу для создания интеллектуальных систем, способных адаптироваться к поведению пользователя. Разработка игр с элементами искусственного интеллекта (ИИ) является одной из наиболее наглядных и практически значимых областей, позволяющих продемонстрировать принципы работы адаптивных алгоритмов. В условиях стремительного развития цифровых технологий и повсеместного внедрения интеллектуальных систем, способность проектировать и реализовывать механизмы, предсказывающие действия человека, приобретает особую актуальность. Тема «Камень, ножницы, бумага» с адаптивным ИИ представляет собой классическую задачу, которая, несмотря на свою кажущуюся простоту, позволяет глубоко изучить методы машинного обучения и статистического анализа в ограниченном пространстве состояний.

Проблематика данной работы заключается в необходимости создания алгоритма, который не просто реагирует на ход игрока, а способен выявлять скрытые закономерности в его поведении, адаптируясь к изменяющейся стратегии. Основная сложность состоит в том, чтобы разработать систему, которая эффективно комбинирует несколько методов предсказания, таких как анализ N-грамм (последовательностей ходов) и контекстно-зависимое прогнозирование (учёт реакции игрока на исход предыдущего раунда). Кроме того, требуется решить задачу баланса между «исследованием» (случайными ходами для сбора данных) и «эксплуатацией» (использованием накопленной информации для максимизации вероятности выигрыша), что является ключевой проблемой в теории обучения с подкреплением.

Объектом исследования является процесс разработки алгоритмов искусственного интеллекта для игр с нулевой суммой и конечным множеством стратегий. Предметом исследования выступают конкретные методы адаптивного предсказания, включая N-граммы ($$$$$$$$ $), $$$$$$$$$, $$$$$$$$$$$ $$$$$$$$$ $$$$$$ $$$$$ $$$$$$ $$$ $$$$$$$$$ («$$$$$ $$$$$$$$$$»), $ $$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$ с $$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$ $$$$ ($$$$$$$$$$$ $$$$ $$ $$% $$ $$%).

$$$$$ $$$$$$ $$$$$$$$ $$$$$$ $$$$$$$$ $$$$$$$$$$ $ $$$$$$$$$$ $$$$$$$$$$ $$$$ «$$$$$$, $$$$$$$, $$$$$$» $$ $$$$$ $$$$$$$$$$$$$$$$ $# $ $$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$$, $$$$$$$$$ $$$$$$$$$$$$$ $$$$ $$$$$$ $$ $$$$$$ $$$$$$$$$$ $$$$$$$$$$$$$$ $$$$$$$.

$$$ $$$$$$$$$$ $$$$$$$$$$$$ $$$$ $$$$$$$$$$ $$$$$$ $$$$$$$$$ $$$$$$:
$. $$$$$$$ $ $$$$$$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$ $ $$$$$$$$$$$ $$$$$$$$$$ $$ $$$$$$$ $$$$$ $#, $$$$$$$$$ .$$$ $ $$$$$ $$$$$$$$$$ $$$$$$ $$$$$$.
$. $$$$$$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$ $ $$$$$$$$ $$$$$$$$$$ $$$$$$$$$$ $$$ $$$$ «$$$$$$, $$$$$$$, $$$$$$», $$$$$$$ $$$$$$$$ $$$$$$ ($-$$$$$$, $$$$$$ $$$$$$$$$).
$. $$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$, $$$$$$$$$$ $$$$$$ $$$$$ $$$$$$, $$$$$$ $$ $ $$$$$$ $$$$$$$$$$$.
$. $$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$, $$$$$$$$$$$$$ $$$$$$ $-$$$$$, $$$$$$$$$$ «$$$$$ $$$$$$$$$$», $$$$$$$$$$$ $ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$.
$. $$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$, $$$$$$ $$$$$$$$$$$$$ $$$$$$ $$ $ $$$$$$$$$ $$$$$$$ $$$$$$$$$.

$ $$$$$$$$ $$$$$$$$$$ $$$$$$ $$$$$$$$$$$ $$$$$$$$$ $$$$$$ $$$$$$$$$$$$: $$$$$$ $ $$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$ $$ $$$$, $$$$$$$$$$$$$ $$$$$$ $$$$$$$$$$, $$$$$ $$$$$$$$$$$$$ ($$$$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$), $ $$$$$ $$$$$ $$$$$$$$$$$$$$$$$ $$$$$$$$ ($$$$$$$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$). $$$ $$$$$$$$$ $$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$ $ $$$$$$$ $$$$$$$$$, $$$$$$$ $$$$$$$$$$ $$ $$$$$$ $$$$$$$$$$, $$$$$$ $$ $$$$$$$$$$$$$ $$$$$$$$ $$ $$$$$$$$$$$$$$$$ $ $$$$$$$$$$ $$$$$$$$ $$ $$$$$ $# $$$$$$$$$ $$$ $$$$$$$.

Основы языка программирования C# и платформы .NET для создания консольных приложений

Язык программирования C# (C-Sharp) является одним из наиболее востребованных и универсальных инструментов в современной индустрии разработки программного обеспечения. Разработанный корпорацией Microsoft в начале 2000-х годов, C# представляет собой объектно-ориентированный язык с строгой типизацией, который сочетает в себе мощь и гибкость, необходимые для создания широкого спектра приложений — от веб-сервисов до мобильных приложений и игр. В контексте изучения основ алгоритмизации и программирования C# занимает особое место благодаря своей лаконичности, читаемости кода и богатой стандартной библиотеке, что делает его идеальным выбором для реализации учебных проектов, включая консольные игры с элементами искусственного интеллекта.

Платформа .NET представляет собой комплексную экосистему для разработки и выполнения приложений, написанных на C# и других поддерживаемых языках. В современных исследованиях подчеркивается, что .NET Framework и его кроссплатформенная версия .NET (ранее .NET Core) обеспечивают единую среду исполнения, библиотеку базовых классов (Base Class Library, BCL) и среду выполнения (Common Language Runtime, CLR). CLR отвечает за управление памятью, обработку исключений, безопасность и многопоточность, что значительно упрощает разработку и повышает надежность создаваемых приложений. В работе И. В. Крюкова и А. С. Петрова отмечается, что использование .NET позволяет разработчикам сосредоточиться на реализации бизнес-логики, а не на низкоуровневых деталях управления ресурсами [12].

Одним из ключевых преимуществ C# для создания консольных приложений является его строгая типизация. Это означает, что тип каждой переменной и выражения известен на этапе компиляции, что позволяет выявлять множество ошибок на ранних стадиях разработки. В отличие от языков с динамической типизацией, таких как Python или JavaScript, C# требует явного указания типов, что способствует написанию более предсказуемого и самодокументируемого кода. Кроме того, компилятор C# выполняет глубокий анализ кода, предупреждая о потенциальных проблемах, таких как использование непроинициализированных переменных или небезопасные приведения типов. Данная особенность особенно важна при разработке алгоритмов, где точность и предсказуемость поведения программы имеют первостепенное значение.

Среда разработки Visual Studio, созданная компанией Microsoft, является основным инструментом для работы с C# и платформой .NET. Visual Studio предоставляет интегрированную среду разработки (IDE), которая включает в себя редактор кода с подсветкой синтаксиса и автодополнением (IntelliSense), отладчик, профилировщик, средства для рефакторинга и управления версиями. Для начинающих программистов Visual Studio предлагает удобные шаблоны проектов, в том числе шаблон консольного приложения, который автоматически настраивает необходимую структуру файлов и ссылки на библиотеки. Использование Visual Studio позволяет значительно ускорить процесс разработки и тестирования, что подтверждается в методических рекомендациях по преподаванию программирования [13].

Современная версия C# (начиная с C# 9.0 и выше) включает ряд нововведений, которые делают язык ещё более выразительным и удобным. Среди них $$$$$ $$$$$$$$ $$$$$$ ($$$$$$$), $$$$$$$$$$ $$$$$$ с $$$$$$$$$$$$$ $$$$$$$, $$$$$$$$$ $$$$$$$$ $$$$$$ ($$$-$$$$$ $$$$$$$$$$), $$$$$$$$$$$ $$$$$$ $$$ $$$ $$$$$$ $$$$$$$$$$ $$$$$$ и $$$$$$ $$$$, $ $$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$$ $$$$$$ с $$$$$$$$$$$ и $$$$ ($$$$$$$$ $$$$$$$$$$ $$$$$). $$$ $$$$$$$$$$ $$$, $$$$$ $$$ «$$$$$$, $$$$$$$, $$$$$$», $$$$$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$, которые $$$$$$$$$ $$$$$$$$$ $$$$$$$$$ $$$ и $$$$$$$$$$$$$$$ $$ $$$$$$$$$$ $$$$$$$$$$. $$$$, $ $$$$ $$$$$$$, $$$$$$$$$$$$$ $$$$$$$ $$$$$$$$ $$$ $$$$$$$$$ $$$$$$, $$$ $$$$$ $$$$ $$$$$$$$$$$$ $$$ $$$$$$$ $$$$$$$ $$$$$ $$$$$$.

$$$$$$$$$ .$$$ $$$$$ $$$$$$$$$$ $$$$$$$ $$$$$ $$$$$$$$$ $$$ $$$$$$ $ $$$$$$-$$$$$$$, $$$$$$$$ $$$$$$$$, $$$$$ $ $$$$$$$$$$$$$$$$. $$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$ $$ $$$$$$$$$$$$ $$$$ $$$$$$, $$$$$ $$$ $$$$$$$, $$$$$$$ $$$$$$$$$$$$ $$$$$$ $$$$$$ $ $$$$$$$$$$ $ $$$$$ $$$$$$ $$ $$$$$. $$$$$ $$$$$$$ $$$$$$$$$ $$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$$$ $ $$$$$$$$$$$$$, $$$$$$$$$ $$$$$$ $$$$$$$$(), $$$$$$$$$() $ $$$$$$$(). $$$$$ $$$$, $ .$$$ $$$$$$$$$$$ $$$$$$$$$ $$$ $$$$$$ $$ $$$$$$$$$$ $$$$$$$ ($$$$$ $$$$$$), $$$ $$$$$$$$$$ $$$ $$$$$$$$$$ $$$$$$$$$$, $$$$$$$$$$ $$$$$$$ $$$$$$$$$$$, $$$$$$$$, $$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$ $ $$$$$$$$$$ $$.

$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$ $# $$$$$$$$$$$ $$$$$$$$ $$$$$$ $$$$$ $$$$$$$$$ $$$$$$$, $$$$$$$ $$$$$$$ $$$$ $$$$$$$$$$$$, $$$$$$$$$$$$ $$$ $ $$$$$$$ $$$$$$$$$. $ $$$$$$$$$ $$$$ «$$$$$$, $$$$$$$, $$$$$$» $$$$$ $$$$ $$$$$ $$$$$$$$ $$$$$$$$$ $$$$$: $$$$$$$$$$$ $$$$$$$$$$$$, $$$$$$ $$$$, $$$$$$$$$ $ $$$$$$$$$ $$$$$, $$$$$$$$$ $$$$ $$, $$$$$$$$$$$ $$$$$$$$$$, $$$$$$$$$$ $$$$$$$$$$ $ $$$$$ $$$$$$$$$$$. $$$$$$$$$$ $$$$$$$$$ $$$$$$$$-$$$$$$$$$$$$$$$$ $$$$$$$$$$$$$$$$, $$$$$ $$$ $$$$$$$$$$$$ $ $$$$$$$$$$$$, $$$$$$$$$ $$$$$$$$$$$$$$$ $$$, $$$$$$$ $$$$$$ $$, $$$$$$$$$$ $$$$$$$ $$$$$$$$$ $ $$$$$$$$$$$$$$$$ $$$$$$$$$ $ $$$$$$$$$ $$$$$$.

$$$$$$ $$$$$$$$ $$$ $$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$ $$$$$$$ $$$$$$$ $$$$$$$$$ $$$$$$$$$$. $ $# $$$ $$$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$-$$$$$-$$$$$$$, $$$$$$$ $$$$$$$$$ $$$$$$$$$$$$$ $ $$$$$$$$$$$$ $$$$$$ $$$$$$$ $$$$$$$$$$, $$$$$ $$$ $$$$$$$$$$$$ $$$$ $$$$$$. $$$ $$$$ «$$$$$$, $$$$$$$, $$$$$$» $$$ $$$$$$$$ $$$$$$$$$, $$$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$ $$$$$$$$$$$$ $$$$$$$$ ($$$$$$$$, $$$$$ $$$ $$$$$$ $$$$$$). $$$$$$$$$ $$$$$$$$$ $$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$ $ $$$$$$$$ $$$$$$$$$$$$$$$$ $$$$. $$$ $$$$$$$$$$ $ $$$$$$$ $$$$$$$ $$$ $$$$$$$$$ $. $. $$$$$$$$$$$$, «$$$$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$$$$ $$$$$$$$$$ $$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$» [$$].

$$$$$ $$$$$$$, $$$$ $$$$$$$$$$$$$$$$ $# $ $$$$$$$$$ .$$$ $$$$$$$$$$$$$ $$$ $$$$$$$$$$$ $$$$$$$$$$$ $$$ $$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$, $$$$$$$$$$$$ $$$$ «$$$$$$, $$$$$$$, $$$$$$» $ $$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$$. $$$$$$$ $$$$$$$$$, $$$$$$$ $$$$$$$$$$$ $$$$$$$$$$, $$$$$$$ $$$$$ $$$$$$$$$$ $$$$$$ $$$$$$ $ $$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$$$$$$ $$$$$$$$$, $$$$$$$ $$$$$$ $-$$$$$ $ $$$$$$$$$$$ $$$$$$$$$$$, $$$$$$$$$$$ $$$ $$$$ $$$$$$$$$$ $ $$$$$$$$$$ $$$$. $$$$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$, $$$$$$$ $$$$$ $$$$ $$$$$$$$$$$ $ $$$$$$ $$$$$$ $$$$$$$$$.

Важным аспектом разработки консольных приложений на C# является управление памятью и производительностью. Среда CLR автоматически управляет выделением и освобождением памяти через механизм сборки мусора (garbage collection). Это освобождает разработчика от необходимости вручную удалять неиспользуемые объекты, что существенно снижает риск утечек памяти и ошибок, связанных с указателями. В контексте игры «Камень, ножницы, бумага», где объем обрабатываемых данных относительно невелик (история ходов игрока), автоматическое управление памятью не создает значительной нагрузки на производительность. Однако понимание принципов работы сборщика мусора важно для написания эффективного кода, особенно при реализации более сложных алгоритмов, которые могут создавать большое количество временных объектов, например, при частом обращении к словарям для хранения N-грамм.

Для хранения и обработки данных в C# используются различные коллекции, такие как массивы, списки (List), словари (Dictionary) и очереди (Queue). При реализации адаптивного ИИ для игры «Камень, ножницы, бумага» наиболее релевантными являются словари и списки. Словари позволяют эффективно хранить пары «ключ-значение», что идеально подходит для подсчета частоты встречаемости N-грамм. Например, ключом может быть последовательность из трех последних ходов игрока, представленная в виде строки или кортежа, а значением — количество раз, которое данная последовательность встречалась в истории. Список, в свою очередь, удобен для хранения полной истории ходов игрока в хронологическом порядке, что необходимо для обновления данных и анализа.

Важным инструментом современного C# является Language Integrated Query (LINQ), который предоставляет декларативный способ выполнения запросов к различным источникам данных, включая коллекции в памяти. LINQ позволяет писать компактный и читаемый код для фильтрации, сортировки и агрегации данных. В контексте разрабатываемой игры LINQ может быть использован для анализа истории ходов, например, для подсчета количества побед, поражений и ничьих, а также для определения наиболее вероятного следующего хода игрока на основе N-грамм. Использование LINQ способствует повышению выразительности кода и снижению вероятности ошибок, связанных с ручной реализацией циклов и условных операторов. В учебном пособии А. Н. Васильева подчеркивается, что «LINQ является мощным средством, позволяющим абстрагироваться от деталей реализации и сосредоточиться на логике обработки данных» [27].

При разработке консольных приложений важную роль играет организация пользовательского ввода и вывода. Класс Console предоставляет методы для чтения строки текста (ReadLine), чтения одного символа (ReadKey) и вывода форматированного текста (WriteLine). Для создания дружественного интерфейса необходимо предусмотреть обработку некорректного ввода, например, когда пользователь вводит значение, не соответствующее ожидаемому формату (камень, ножницы, бумага). Типичным подходом является использование цикла do-while, который повторяет запрос до тех пор, пока не будет получен корректный ввод. Кроме того, для улучшения восприятия интерфейса можно использовать цвета консоли (свойства ForegroundColor и BackgroundColor класса Console) для выделения различных типов сообщений, например, зеленым цветом для сообщений о победе и красным для сообщений о поражении.

Производительность консольных приложений на C# в большинстве случаев является достаточной для решения учебных задач. Однако при реализации алгоритмов, требующих интенсивных вычислений, таких как анализ большого количества N-грамм, следует учитывать некоторые особенности. Например, частое использование строковых операций (конкатенация, сравнение) может привести к созданию большого количества временных объектов в памяти, что увеличивает нагрузку на $$$$$$$ $$$$$$. $$$ $$$$$$$$$$$ в таких $$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$$$$$$ для $$$$$$$$$$ $$$$$ $$$ $$$$$$$$$ ($$$$$$) $$$$$$ $$$$$$$ ($$$$$) для $$$$$$$$$ объектов $$$$$$. $ $$$$$$$$$ $$$$ «$$$$$$, $$$$$$$, $$$$$$» $ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$ $$$$$ ($ $$$$$$$$) $ $$$$$$$$ N-грамм, $$$$$$ $, $$$$$ вычислений $$$$$$$$ $$$$$$$$$$$$$$, $$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$$$$$$$ $$ является $$$$$$$$$$$, $$ $$$$$$ $$$$ $$$$$$$$$ $$$$$$$ для $$$$$$ $$$$$$$$.

$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$, $$$$$$$$$$ $$$$$$$ $$$$$$$$$$$. $ $# $$$ $$$$$$$$$ $$$$$$$$$$$$$$$ $$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$. $$$$$ $$$$$$$, $$$ $$$ $$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$$$$$ $ $$$$$$$ $$$$$$$$$$$$$$$$$$ ($$$$$$$$, $$$$$$ $$$$$) $$$ $$$$$ $$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$$$$$$$$ $$$$$, $$$ $$$ $$$$$$$$$$$$$$$$ $$ $$$$$$ $$$$$$$$$$ $$$$$$$. $$$ $$$$$$$$$$$$$$ $$$$ $$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$ $$$$ $$$$$$$$$$$ $$$$$$$$$ $$$$$$ $ $$$$$$$$$$$$ $$$ $$ $$$$$$$$$$ $$$$ $$$$$$ $$$$$$$$$. $ $$$$$$$$$$$$$$$ $$$$ $$$$$ $$$$$$ $$$$$ $$$$$$$$$$$$$$ $$$ $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$ ($$$$$$$$$$$ $$$$), $$$$$$$ $$$$$$$$$$ $ $$$$$$$$$ $$ $$% $$ $$% $ $$$$$$$$$$$ $$ $$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$.

$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$ $$$$ «$$$$$$, $$$$$$$, $$$$$$» $$$$$$ $$$$ $$$$$$$$$$$$$$ $$$$$ $$$$$$$, $$$$$ $$$$$$$$$$ $$$$$$$$$$$ $ $$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$. $$$$$$$$$$$$$ $$$$$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$$: $$$$$$ $$$$$$$$$$$$$$ $ $$$$$$$$$$$$$ ($$$$$$$$$$$$$), $$$$$$$$$$ $$ $$$$ $ $$$$$ $$$$$$; $$$$$$ $$$$$$ $$$$ ($$$$$$$$$), $$$$$$$$$$$$ $$$$$$$$$$ $$ $$$$$$ $$$$$; $$$$$$ $$$$$$$$$$$ $$ ($$$$$$$$$$), $$$$$$$$$$$ $$$$$$$$$ $$$$$$$$$$$$; $ $$$$$$ $$$$$$$$$$ ($$$$$$$$$$), $$$$$$$$ $ $$$$$$$$$$$$$$ $$$$$$ $ $$$$ $$$$. $$$$$ $$$$$$$$$$ $$$$$$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$$$$ ($$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$) $$ $$$$$, $$$ $$$$$$ $$$ $$$$$ $$$$$$$$, $$$$$$$$$$$ $ $$$$$$$$$$$$$$. $ $$$$$$ $. $. $$$$$$$ $ $. $. $$$$$$$$ $$$$$$$$$$, $$$ «$$$$$$$$$$ $$$$$$$$$ $$$$$$$$-$$$$$$$$$$$$$$$$ $$$$$$$$$$$$$$ $$ $$$$$$ $$$$$$ $$$$$$$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$ $$$$$$$, $$$$$$$$$ $ $$$$$$ $$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$» [$].

$$$$$ $$$$$$$, $$$$ $$$$$$$$$$$$$$$$ $# $ $$$$$$$$$ .$$$ $$$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$ $$$ $$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$, $$$$$$$ $$$$$$$ $$$$$$$$ $$$ $$$$$$ $ $$$$$$-$$$$$$$, $$$$$$$$$ $$$$$$, $$$$$$$$$ $$$$$$$$$ $$$$$ $ $$$$$$$$$$ $$$$$$$. $$$$$$$ $$$$$$$$$, $$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $ $$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$, $$$$$ $$$ $$$$, $$$$$$ $# $$$$$$$$$$$ $$$$$$$$$$$$ $$$ $$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$$. $$$$$$$$$$$$$ $ $$$$$$ $$$$$$$ $$$$$$ $$$$$ $ $$$$$$$$$ $$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$$ $$$$ $$$ $$$$$$$$ $ $$$$$$$$$$$$ $$$$$$$$$$ $$$$ «$$$$$$, $$$$$$$, $$$$$$» $ $$$$$$$$$$$$$$$ $$$$$$$$$$ $$, $$$$$$$$$$ $-$$$$$$, $$$$$$$$$ «$$$$$ $$$$$$$$$$», $$$$$$$$$$$ $ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$. $$$$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$$$ $$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $ $$$$$$$$$$ $$$$$$$$$$$$$$$$ $$$$$$$$$$.

Обзор и классификация алгоритмов искусственного интеллекта для игр с предсказанием действий противника

Искусственный интеллект в контексте игр представляет собой совокупность методов и алгоритмов, позволяющих компьютерной программе принимать решения, имитирующие разумное поведение человека. В играх с нулевой суммой, таких как «Камень, ножницы, бумага», где выигрыш одного игрока означает проигрыш другого, задача ИИ заключается в максимизации вероятности собственной победы путем предсказания действий оппонента. В отличие от игр с полной информацией, таких как шахматы или шашки, где все возможные ходы известны обоим игрокам, «Камень, ножницы, бумага» является игрой с неполной информацией, поскольку решение принимается одновременно и без знания хода противника. Это обстоятельство существенно усложняет задачу и требует применения вероятностных и статистических методов.

Традиционные подходы к созданию ИИ для игр можно разделить на несколько категорий. Первая категория включает в себя детерминированные алгоритмы, которые следуют строго заданным правилам без учета поведения противника. Примером может служить простой циклический алгоритм, который последовательно выбирает камень, ножницы и бумагу. Такие алгоритмы легко предсказуемы и неэффективны против адаптирующегося игрока. Вторая категория — это алгоритмы, основанные на случайном выборе, которые генерируют ход с равномерной вероятностью. Такой подход гарантирует, что в долгосрочной перспективе ИИ будет иметь примерно 33% побед, 33% поражений и 33% ничьих, что является оптимальной стратегией против идеального случайного игрока, но не позволяет использовать слабости реальных людей, которые часто демонстрируют неслучайное поведение.

Более продвинутые алгоритмы относятся к категории адаптивных, то есть способных изменять свою стратегию на основе наблюдений за действиями противника. В современной научной литературе выделяют несколько основных подходов к созданию адаптивных ИИ для игр с предсказанием. Одним из наиболее распространенных является анализ частоты встречаемости отдельных ходов (frequency analysis). Этот метод предполагает подсчет того, как часто игрок выбирал каждый из трех возможных ходов в прошлом, и прогнозирование, что следующим ходом будет наиболее часто встречавшийся. Несмотря на свою простоту, данный подход может быть эффективен против игроков, имеющих устойчивые предпочтения. Однако он не учитывает последовательность ходов и контекст, в котором они были сделаны.

Более сложным и информативным методом является анализ N-грамм, который изучает последовательности ходов определенной длины. N-грамма представляет собой подпоследовательность из N последовательных элементов. В контексте игры «Камень, ножницы, бумага» N-грамма глубины 3 будет представлять собой тройку последовательных ходов игрока, например, «камень-ножницы-бумага». Алгоритм анализирует историю игры, подсчитывая, какие ходы следовали после каждой возможной N-граммы. Затем, когда встречается известная N-грамма, алгоритм предсказывает наиболее вероятный следующий ход на основе накопленной статистики. В работе Е. А. Сидорова и коллег отмечается, что «использование N-грамм различной глубины позволяет выявлять как краткосрочные, так и долгосрочные закономерности в поведении игрока» [6]. Глубина N-граммы является важным параметром: слишком маленькая глубина (например, 1) может не улавливать сложные паттерны, а слишком большая (например, 5 и более) требует значительного объема данных для обучения и может приводить к переобучению.

Другим важным классом методов являются контекстно-зависимые предикторы, которые учитывают не только последовательность ходов, но $ $$$$$$$ $$$$$$$, $$$$$ $$$ $$$$$$$$$ $$$$$$$$$$$ $$$$$$. $$$$$$$$$ «$$$$$ $$$$$$$$$$» ($$$$$-$$$$$$ $$$$$$$$$) $$$$$$$$$$$, $$$$$ $$$ $$$$$$ $$$$$ $$$$$ $$$$$$, $$$$$$$$$ $$$ $$$$$$. $$$$ $$$$$$ $$$$$$$ $$ $$$$$$$$$$$$$$$ $$$$$$$$$$$, $$$$$$$$ $$$$$$$ $$$$ $$$$$$$ $$$$$$$$$ $$$$$$$$$$ $$$$ ($$$$$$ «$$$$$$$ $$$$») $$$, $$$$$$$$, $$$$$$ $$$$$$$$$ $$$$$ $$$$$$$$$. $ $$$$ «$$$$$$, $$$$$$$, $$$$$$» $$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$$, $$$ $$$$$$ $$$$$$ $$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$ $ $$$$$$$ $-$$$$$.

$$$$$$$$$$$$$$$ $$$$$$, $$$$$$$$$$$$ $$$$$$$$$ $$$$$$$$$$$, $$$$$$$$$$$$ $$$$$ $$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$$ $ $$$$$$$$$$ $$$$$$$$$$ $$. $$$$$$$$ $$$$ $$$$$$$$$$$ $ $$$, $$$$$ $$$$$$ $$$$$$$$$ $$$$$$$ $$$$ $$$$$$$ $ $$$$$$ $$$ $$$$$$$$$$$, $ $$$$$ $$$ $$$$$$$$ $$$$$$$$$$$$ $ $$$$$$$$$$$$$$ $$$$$$$$$ $$$$$$$$$$$. $$$$ $$$$$$$$$$$ $$$$$ $$$$ $$$$$$$$$$$$$$ $$$ $$$$$$$$$$$$$, $$ $$$$ $$$$$$$$$$ $ $$$$$$$$ $$$$ $ $$$$$$$$$$$ $$ $$$$$$$$ $$$$$$$ $$$$$$$$$$. $$$$$$$$$$$ $$$$$$$$$$$ $ $$$$$$$$$$$ $$$$ $$$$$$$ $$ $$$ $$$$$$$$$ $$$$$$$ $$$$$$$$$$$$$$ $ $$$$$$$$$$$$$ $$$$$ $$$$ $$$$$$$$$$. $$$$, $$$$$$$$, $$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$ $$$$$$$$, $$$$$$$ $$$$$ $$$$$$$$$$$$ $-$$$$$$$$, $$$ $$$$$ $$$$$$$$$$ $$$$$ $$$$$$$$, $ $$$ $$$$$$$$$$ «$$$$$ $$$$$$$$$$» — $$$$$$$$.

$$$$$$ $$$$$$$$ $$$$$$ $$$$$$$$$$ $$$$$$$$$$ $$$$$$$$ $$$$$$ $$$$$ $$$$$$$$$$$$$ ($$$$$$$$$$$) $ $$$$$$$$$$$$$ ($$$$$$$$$$$$). $$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$ $$$$$ $$$ $$$$$ $$$$$$$$$$ $ $$$$$$$$$ $$$$$$$$$$, $ $$ $$$$$ $$$ $$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$$ $$$ $$$$$$$$$$$ $$$$$$ $$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$. $ $$$$$$$$$ $$$$ «$$$$$$, $$$$$$$, $$$$$$» $$$$ $$$$$$ $$$$$$$$$$$ $$$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$ ($$$$$$$$$$$ $$$$). $$$$$ $$ $$$$$$ $ $$$$$ $$$$$$$$$ ($$$$$$$$, $$$$$$$$ $$$$$$$$$$$$ $$$$$$), $$$$$$$$$$$ $$$$$$$$$$ $$$$ $$$$$ $$$$ $$$$$$$ $$ $$$$$$$$$$$$ $$$$$$, $$$$$$$$, $$%. $$$$$ $$ $$$$$$$$ $$$$$$, $$$ $$$$$ $$$$$$$$$$$$$$$$$ $ $$$$$ $$$$$$$$$ $$$$$$, $$$$$$$$$$$ $$$$$$$$$$ $$$$ $$$$$$$$$$$$$ $$ $$%, $$$$$ $$$$$$$ $$$$$ $$$$$$ $ $$$$$$$$$$$$$$. $ $$$$$$$ $$$$$$$ $$$ $$$$$$$$$ $. $. $$$$$$$$$$ $$$$$$$$$$$$$$, $$$ «$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$$$ $$$$$$$$ $$$$$$$$ $$$$$$$$, $$$$$$$$$$$$ $$$$$$$$ $$$$$$$$$ $ $$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$» [$$].

$$$$$$ $$$$$$$$$ $$$$$$$$, $$$$$ $$$ $$$$$$$$$ $$$$ $ $$$$$$$$ $ $$$$$$$$$$$$$, $$$$$ $$$$$ $$$$ $$$$$$$$$ $$$ $$$$$$$$ $$ $ $$$$ «$$$$$$, $$$$$$$, $$$$$$». $$$$$$ $$ $$$$$$$$$$$$$ $ $$$$$$$$$ $$$$$$ $$$$$$$$ $$$$$$ $$$$$$$$ $$$$$$$$$$, $$$$$$$$$ $$$$$$ $$$$$ $$$$ $$$$$$$$$$ $$$$$$ $ $$$$$$$ $$$$$ $$$$$$$ $$$$$$$$$$$$$$ $$$$$$$, $$ $$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$ $ $$$$$$$$ $$$$$$ $$$$$$$$$ $$$$$$. $$$$$ $$$$, $$$$$$$$$$ $$$$$$$$$ $$$$$ $$ $# $ $$$$$$$$$$ $$$$$$$$$$ $$$ $$$$$$$$$$$$$ $$$$$$$$$$$$$$$$$$ $$$$$$$$$ ($$$$$$$$, $$.$$$ $$$ $$$$$$$$$$.$$$) $$$$$$$$$$$ $$$$$$$$$ $$ $$$ $ $$$$$$$$$ $$$ $$$$$ $$$ $$$$$$$$$$$$$ $$$$$$$$ $ $$$$$$$$ $$$$$$$$$$$$.

$$$$$ $$$$$$$, $$$ $$$$$$$$$$ $$$$$$$$$$$ $$ $ $$$$ «$$$$$$, $$$$$$$, $$$$$$» $$$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$ $$$$$$$ $-$$$$$ ($$$$$$$$ $) $ $$$$$$$$$$ «$$$$$ $$$$$$$$$$» $ $$$$$$$$$$$$ $$$$$$$$$$$$ $ $$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$ $$$$. $$$$$$ $$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$ $$$ $$$$$$$$$$$$ $$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$, $$$ $$$$ $$$$$$$$$ $$$$$$$$$$$ $ $$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$ $# $$$ $$$$$$$$$$$ $$$$$$$ $$$$$$$$$. $$$$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $ $$$$$$$$$$, $$$$$$$$$$$$ $ $$$$$$$$$$$$ $$$$$ $$$$$$.

Особый интерес представляет сравнение рассмотренных методов с точки зрения их вычислительной сложности и требований к памяти. Анализ частоты встречаемости отдельных ходов является наиболее легковесным с вычислительной точки зрения, требуя хранения всего трех счетчиков и выполнения простых арифметических операций. Этот метод может быть реализован даже на самых ограниченных аппаратных платформах и не требует значительного объема исторических данных для начала работы. Однако, как уже отмечалось, его предсказательная способность ограничена, поскольку он игнорирует структурные закономерности в поведении игрока. В условиях, когда противник использует сложные стратегии, основанные на последовательности ходов, данный метод быстро теряет эффективность, уступая более сложным алгоритмам.

Метод анализа N-грамм, напротив, требует значительно большего объема памяти и вычислительных ресурсов. Для хранения статистики по всем возможным N-граммам глубины 3 необходимо создать словарь, который может содержать до 3^3 = 27 ключей (все возможные комбинации из трех ходов), где каждому ключу соответствует массив из трех счетчиков (количество случаев, когда после данной N-граммы следовал камень, ножницы или бумага). На практике, однако, количество уникальных N-грамм, встречающихся в игре, может быть меньше, так как не все комбинации могут быть реализованы в течение одной партии. Сложность обновления статистики после каждого хода составляет O(1), что является приемлемым для реального времени. Основным недостатком метода является необходимость накопления достаточного количества данных для получения статистически значимых прогнозов. В начале игры, когда история ходов отсутствует или минимальна, N-граммы не могут дать надежного прогноза, и ИИ вынужден полагаться на другие методы или случайный выбор.

Предиктор «После результата» занимает промежуточное положение по сложности. Он требует хранения информации о результате предыдущего раунда (победа, поражение, ничья) и соответствующей статистики ходов игрока после каждого из этих исходов. Объем памяти для хранения данных невелик: три пары «результат-ход» с соответствующими счетчиками. Вычислительная сложность также минимальна. Однако данный метод имеет свои ограничения: он не учитывает последовательность ходов и может быть неэффективен против игроков, чье поведение не зависит от исхода предыдущего раунда. В работе А. В. Белова и Е. С. Крыловой отмечается, что «эффективность контекстно-зависимых предикторов сильно варьируется в зависимости от психологических особенностей игрока, что делает их ненадежными в качестве единственного метода предсказания» [14].

Комбинирование нескольких предикторов с динамическим взвешиванием позволяет нивелировать недостатки каждого из методов и использовать их сильные стороны. Механизм взвешивания может быть реализован различными способами. Наиболее простым является присвоение каждому предиктору начального веса (например, 1.0) и последующая корректировка этих весов после каждого раунда на основе точности прогноза. Если предиктор правильно предсказал ход игрока, его вес увеличивается на некоторую величину (например, на 0.1); если ошибся — уменьшается (например, на 0.05). При этом веса могут быть ограничены снизу нулем, чтобы исключить отрицательное влияние явно ошибочных предикторов. Итоговый прогноз формируется как взвешенная сумма прогнозов всех предикторов, где прогноз каждого предиктора представляет собой вероятность выбора каждого из трех возможных ходов.

Важным аспектом реализации комбинированного предиктора является нормализация весов. После каждого раунда обновленные веса должны быть нормализованы таким образом, чтобы их сумма равнялась единице. Это необходимо для того, чтобы итоговый прогноз представлял собой корректное вероятностное распределение. Нормализация также позволяет интерпретировать веса как степень доверия к каждому из предикторов. В контексте игры «Камень, ножницы, бумага» нормализация весов не представляет вычислительной сложности и может быть выполнена простым делением каждого веса на сумму всех весов.

Динамическая вероятность случайного хода (exploration rate) является еще одним важным компонентом системы. Ее значение должно изменяться в зависимости от текущей эффективности предсказаний. Если ИИ правильно предсказывает ходы игрока в большинстве случаев, это означает, что текущая стратегия игрока $$$$$$ $$$$$$$, $ вероятность случайного хода $$$$$ $$$$ $$$$$$$ $$ $$$$$$$$$$$$ $$$$$$ ($$$$$$$$, $$%). Если $$ $$$$$$$$ предсказаний $$$$$$, это $$$$$ $$$$$$$$$$$$$$$$$ $ $$$, что $$$$$ $$$$$$$ $$$$ $$$$$$$$$, $ $$$ $$ $$$$$$$$ $$$$$$$$$$ $$$$$$$$$ $$$$ $$$$$$$$$ $$$$$ ($$ $$$$$$$$$$$$$ $$$$$$, $$$$$$$$, $$%). $$$$$$$$$$ $$$$$ $$$$$$$$$ $$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$ $$$$$$$$ предсказаний $$ $$$$$$$$$ $ $$$$$$$ ($$$$$$$$, $$ $$$$$$$$$ $$ $$$ $$ $$$$$$$). $ $$$$$$$ $$$$$$$ $$ $$$$$$ $$$ $ $$$$$$$$ $$$$$$$ $$$ $$$$$$$$$ $. $. $$$$$$$$$$ $$$$$$$$$$$$$$, что «$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$ exploration rate $$$$$$$$$ $$$$$$$ $$$$$$$$$$ $$$$$$$$$$$$$ $$$$$ $$$$$$$$$$$$$$ $$$$$$$ $$$$$$ $ $$$$$$$$$$$$$ $$$$$ $$$$$$$$$, что является $$$$$$$$ $$$$$$$$ $$$$$$$$$ $$$$$$$$ в $$$$$$$$$$$$ $$$$$» [$$].

$$$ $$$$$$$$$$ $$$$$$$$$$ $$ $ $$$$$$$$$$ $$$$$$$$$$ $$ $# $$$$$$$$$$ $$$$$$$$$ $$$$$$$$$$$ $$$$$ $ $$$$$$$$$. $$$ $$$$$$$$ $$$$$$$$$$ $-$$$$$ $$$$$$ $$$$$$$$$$$$ $$$$$$$$$ $$$$$$$: $$$$$$$$$$<$$$$$$, $$$$$$$$$$<$$$$$$, $$$>>, $$$ $$$$$$$ $$$$ — $$$ $$$$$$, $$$$$$$$$$$$$$ $-$$$$$$ ($$$$$$$$, "$$$" $$$ $$$$$$$$$$$$$$$$$$ $$$$$$-$$$$$$-$$$$$$), $ $$$$$$$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$ $$$ $$$$$$$ $$$$$$$$$$ $$$$$$$$$$ $$$$. $$$ $$$$$$$$$$$$$ $$$$$ $$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$ ($$$$) $ $$$$$ $$$$$$$$$$: $$$$, $$$$$$$$, $$$$$. $$$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$ $$$$ $ $$$$$$$ $$$$$$$$$$$ $$$$$$, $$$$$$$$$ $ $$$$$$$$$$$$$$ $$$$$$$$$ $$$ $$$$$$$$$$$$$ $$$$$$$$. $$$ $$$$$$$$ $$$$$$$ $$$$$ $$$$$$ $$$$$$ $$$$$$$$$$$$ $$$$$$ $$$$<$$$$>, $$$ $$$$ — $$$ $$$$$$$$$ $$$ $$$$$$$$$$$$.

$$$$$$$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$ $$ $$$$$$ $$$$$$$$$$$ $ $$$$$$$$$ $$$$$$. $$ $$$$$$ $$$$$ $$$$$$$$$$ $$$$$$$$$ $$$$$$$$$$$$ $$$$$$ $$$$$$$ $$$$$$$$$$ $ $$$$$$$$, $$$$$$$$$ $$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$$$$$$$$$$ $$$$$ $ $$$$$$$$$$ $$$$$$$$$$$$$$$$. $$$$$$$$, $$$ $$$$$$$$$$$$ $-$$$$$ $$$$$ $$$$$$$ $$$$$$$$$$$$$$$$$$, $ $$$$$$$ $$$$$ $$$$$$ "$$$$$$-$$$$$$$-$$$$$$" $$$$$$ $$$$$$$ "$$$$$$", $ $$$$$$$$$, $$$ $$$$$$$$$ $$$$$$$$$ $$$$$$$$$$ $$$ $$$$$$$$$$$$$$. $$ $$$$$$ $$$$$ $$$$$$$$$$$ $$$$$$ $$$$$$$$$ $$$$$$$$$$$: $$$$$$$$$$ $$$$$$$$$, $$$ $$$$ $$$$$$$$$$$ $$$$$$$$$$ $ $$$$$$$$$$ $$$$$$$$$$$ ($$$$$$$$$$$$$ $$$ $$$$$$$$$$ $$$$$$$$ $ $$$$$$$$$$$ $$$ $$$$$$$$$). $$ $$$$$$$ $$$$$ $$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$: $$$$$$$$$$ $$$$$$$$$, $$$ $$$$$$$$ $$$$$$$$$$$ $$$$ $$$$$$$$$$ $ $$$$$$$$ $$$$$$$$$ ($$ $$% $$ $$%) $ $$$ $$$$$$$$$ $$$$ $$$$$$$$$$$$$ $$$$$$$$$$$$ $ $$$$$$$$$$$$$$$ $$$$$$$$$$$$. $$ $$$$$$$$$ $$$$$ $$$$$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$$$$ $$$$ $$$$$$$ $ $$$$$, $ $$$$ $$$$$$$$ $$$$$$$$$$$ $$$$ $$$$$$ $$$$$$$$$ $$$$$ $$$$$$$$$$$: $$$$$$$$$$ $$$$$$, $$$$$$ $ $$$$$$$$$$$$$ $$$$$$$$$$, $$$$$$ $ $$$$$$$$$$$ $$$$$$$$$$ $ $$$$$$, $$$$$$$$$$$ $$$$ $$$$$$$$$ $$ $$$$$$$$.

$$$$$ $$$$$$$, $$$$$$$$$$$ $$$$$ $ $$$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$$ $$$ $$$ $ $$$$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$ $$$$$$$, $$$ $$$$$$$$ $$$$$$$$$$$ $$$$$$$$ $$$ $$$$$$$$$$ $ $$$$$$ $$$$$$ $$$$$$$$ $$$$$$ $$$$$$$$ $$$$$$$$$$ $$$$$$$ $$$$$$$ $-$$$$$ ($$$$$$$$ $) $ $$$$$$$$$$ «$$$$$ $$$$$$$$$$» $ $$$$$$$$$$$$ $$$$$$$$$$$$ $ $$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$ $$$$. $$$$$$ $$$$$$ $$$$$$$$$$$$ $$$$$$ $$$$$ $$$$$$$$$$$$$$ $$$$$$$$$$, $$$$$$$$$$$$ $ $$$$$$ $ $$$$$$$$$$$$$$$$ $$$$$$$$$$$$, $$$ $$$$$$ $$$ $$$$$$$$$$$ $$$ $$$$$$$$$$ $ $$$$$$$$$$ $$$$$$$$$$ $$ $$$$$ $# [$]. $$$$$$$$$$$$$ $ $$$$$$ $$$$$$$ $$$$$$$$$$$$$ $$$$$$ $ $$$$$$$$$$$$$ $$$$$$ $$$$$$$ $$$$$$$ $$$$$$$$$$$ $$$$ $$$ $$$$$$$$ $ $$$$$$$$$$$$ $$$$$ $$$$$$, $$$ $$$$$ $$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$$ $ $$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$$$$ $$ $$$$$$$$$$$ $$$$$$$$$$$ $$.

Принципы построения адаптивных систем на основе N-грамм и взвешивания предикторов

Построение адаптивных систем, способных изменять свое поведение в зависимости от поступающих данных, является одной из центральных задач современной кибернетики и информатики. Адаптивность в контексте игровых алгоритмов означает способность системы выявлять закономерности в действиях противника и корректировать собственную стратегию для достижения максимальной эффективности. В отличие от статических алгоритмов, которые следуют заранее заданным правилам, адаптивные системы обучаются в процессе взаимодействия, что делает их более устойчивыми к изменениям внешней среды и более эффективными в долгосрочной перспективе. В работе С. В. Иванова и коллег отмечается, что «адаптивные алгоритмы находят широкое применение не только в игровых приложениях, но и в системах рекомендаций, кибербезопасности и робототехнике, где требуется оперативная реакция на изменяющиеся условия» [5].

Фундаментальным принципом построения адаптивных систем является использование обратной связи. Система выполняет действие, получает результат (в данном случае — информацию о том, был ли прогноз правильным) и на основе этого результата корректирует свои внутренние параметры. Этот цикл «действие — наблюдение — коррекция» повторяется на каждом шаге, обеспечивая непрерывное обучение. В контексте игры «Камень, ножницы, бумага» обратная связь поступает после каждого раунда: ИИ узнает, какой ход на самом деле сделал игрок, и может сравнить его со своим прогнозом. На основе этого сравнения обновляются веса предикторов и корректируется статистика N-грамм.

Важным аспектом построения адаптивных систем является выбор способа представления знаний. В случае с N-граммами знания представляются в виде частотных таблиц, которые отражают статистические закономерности в последовательности ходов. Каждая N-грамма (последовательность из трех ходов) связана с набором счетчиков, показывающих, сколько раз после данной последовательности следовал каждый из трех возможных ходов. Такое представление является простым, наглядным и легко поддается обновлению. Однако оно имеет и недостатки: оно не позволяет обобщать знания на новые, ранее не встречавшиеся последовательности, и требует хранения большого количества данных для получения статистически значимых результатов.

Вторым важным принципом является использование множества предикторов, каждый из которых специализируется на определенном типе закономерностей. Как уже отмечалось ранее, N-граммы хорошо улавливают последовательные паттерны, а предиктор «После результата» учитывает психологические аспекты поведения игрока. Комбинирование этих предикторов позволяет системе быть более гибкой и адаптироваться к различным стилям игры. Однако простое объединение прогнозов, например, путем усреднения, не является оптимальным, поскольку в разные моменты времени разные предикторы могут быть более точными. Именно для решения этой проблемы используется механизм взвешивания.

Взвешивание предикторов представляет собой метод динамической корректировки вклада каждого предиктора в итоговый прогноз на основе его исторической точности. Существует несколько подходов к реализации взвешивания. Наиболее распространенным является метод экспоненциального взвешивания, при котором вес каждого предиктора обновляется после каждого раунда по формуле: новый_вес = старый_вес * (1 + learning_rate) при правильном прогнозе и новый_вес = старый_вес * (1 - learning_rate) при ошибочном. Параметр learning_rate определяет скорость адаптации: чем выше его значение, тем быстрее система реагирует на изменения в поведении игрока, но тем менее стабильными становятся веса. В учебном пособии по машинному обучению под редакцией А. Н. Тихонова подчеркивается, что «выбор параметра learning_rate является критическим для обеспечения баланса между скоростью обучения и стабильностью системы» [19].

Другим подходом к взвешиванию является использование алгоритма «Follow the Leader» или его вариаций, при котором вес предиктора пропорционален его накопленной точности за всю историю игры. Этот подход более стабилен, но менее чувствителен к изменениям в поведении игрока, поскольку учитывает всю историю, а не только последние раунды. Компромиссным решением является использование скользящего окна, в котором учитывается точность предиктора только за последние N раундов. Размер окна является еще одним параметром, который необходимо настраивать в зависимости от $$$$$$$$$$$$$$ $$$$$$$$ $$$$$$$$$ игрока.

$$$$$$$ $$$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$ $$$$$ $$$$$$$$$$$$$ $ $$$$$$$$$$$$$, $$$$$$$ $$$$$$$$$$$ $$$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$. $$$ $$$ $$$$$$$$$$, $$$$ $$$$$$$ $$$$$$$$$$$ $$ $$$$$$ $$$$$$$$ $ $$$$$$$$$$$$$ $ $$$$$$$$ $$$$$$$$ $$$ $$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$. $ $$$$$$$$$ $$$$ «$$$$$$, $$$$$$$, $$$$$$» $$$$$$$$$$$$ $$$$$$$$$$ $$$ $$$$, $$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$$$$$$$ $ $$$$$$$$$ $$$$$$, $$$$$$$$ $$$$ $$ $$$$$$ $$$$ $$$$$$$$$. $$$$$$$$$$$$ $$ $$$$$$$$$ $$$$$$$$$$$$ $$$ $$$$$$$$$$$ $$$$$$ $$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$ $ $$$$$$$ $$$$$$.

$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$ $$$$$$$ $$$$$$$$$$$ $$$$$$$, $$ $$$$$$ $$$$$$$ $$$$$ $$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$. $$$$$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$$$ $$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$ $$ $$$$$$$$$ $$$$$$$$$ $$$$$$$. $$$$ $$$$$$$$ $$$$$$ ($$$$$$$$, $$$$ $$%), $$$ $$$$$$$$, $$$ $$$$$$$ $$$$$$ $$$$$$ $$$$$$$$$ $$$$$$$$$ $$$$$$, $ $$$$$$$$$$$ $$$$$$$$$$ $$$$ $$$$$ $$$$ $$$$$$$. $$$$ $$$$$$$$ $$$$$$ $$$$ $$$$$$$$$$$$$ $$$$$$ ($$$$$$$$, $$$$ $$%), $$$ $$$$$$$$$$$$$ $ $$$, $$$ $$$$$ $$$$$$$ $$$$ $$$$$$$$$, $ $$$$$$$$$$ $$$$$$$$$ $$$$ $$$$$$$$$ $$$$$ $$$ $$$$$ $$$$$ $$$$$$. $$$$$ $$$$$$$$, $$$ $$$$$$$$ $$$$$$$$$$$$ $$ $$$$$$ $$$$ $$$$$$$$$$$$ $$$$$$$$$, $$$ $$$ $$$ $$$$$ $$$$ $$$$$$ $$$$ $$$ $$$$$$$$$$ $$$$$$ $ $$$$$$, $$$$ $$$$$ $$$$$$$$$$ $$$$$$$$$ $$$$$$$$$.

$ $$$$$$ $. $. $$$$$$$$ $ $. $. $$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$ $$$$$$$, $$$$$$$$$$ $$ $$$$$$$$$ $$$$$$$$$ $$$$$$$$$$$ [$$]. $$$$ $$$ $$$$$$$$$$ $$$$ $$$$$$$$$$$$$ $$$$$$$$, $$$ $$$$$$$$$$$$$$$ $ $$$$$$$ $$$$$$$$$$$ $$$$$$$, $ $$$$$$$$$$$ $$$$$$$$$$ $$$$ $$$$$ $$$$ $$$$$$$. $$$$ $$ $$$$$$$$ $$$$$$$$$$$ $$$$$$ $$$$$$$$$$, $$$ $$$$$$$$$ $$ $$$$$$$$$$$$$$$$, $ $$$$$$$$$$$$ $$$$$$$$$$ $$$$$ $$$$$$$$$$$$. $$$$$$ $$$$$$ $$$$$$$$$ $$$$$ $$$$$ $$$$$$$$$ $$$$$$$$ $$$$$ $$$$$$$$$$$$$ $ $$$$$$$$$$$$$, $$ $$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$$.

$$$$$$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$$$$. $$$$$$ $$$$$$$$$ ($$$$$$$$$ $-$$$$$, $$$$$$$$$ «$$$$$ $$$$$$$$$$», $$$$$$$$ $$$$$$$$$$$, $$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$$$) $$$$$$ $$$$ $$$$$$$$$$ $$$ $$$$$$$$$, $$$$$ $$$$$$$$$ $$$$$$ $ $$$$$ $$$$$$$$$$$$ $$$$$$$$$$$. $$$ $$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$$$$$ $$$$$$$$$, $ $$$$$ $$$$$ $$$$$$$$$$$$$$ $$$ $$$$$$$$ $$ $ $$$$$$$. $$$$$$$$, $$$ $$$$$$$$$$$$$ $$$$$ $$$$$$$$ $$$$$ $$$$$$$$$, $$ $$$$$$$ $$$$$$$$$$$$ $$$, $ $$$$ $$$$$$$$$$ $$$$$$$$$$$$$$$ $$$$$$$$$ $ $$$$$$$ $$$ $ $$$$$$$ $$$$$$$$$$$.

$$$$$$ $$$$$$$$ $$$$$$$$$ $$$$$$$$$$$ $$$$$$$$ $$$$$$ $$$$$$$$$ $$$ $$$$ $$$$$$$$$$$. $$$$$$ $$$$$$$$$ $$$$$$ $$$$$$$$$ $$ $$$$ $$$$$$$ $$$$$ $$$$$$ $ $$$$$$$$$ $$$$$$$$$$ $$$$$$, $ $$$$$$$$$$ $$$$$$$ $ $$$$ $$$$$$$$$$$$$$ $$$$$$$$$$$$$ $$ $$$$ $$$$$$$$$ $$$$$. $$$$$ $$$$$$ $$$$$$$$$ $$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$ $$ $$$$ $$$$$$$$$$$, $$$$$$$$$$ $$ $$ $$$$$$$$$$ $$$$$$$$$$. $$$$$ $$$$, $$$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $ $$$$$$$ $$$$$$$, $$$ $$$ $$$$$$ $$$$$$$$$ $$$$$ $$$$ $$$$$$$$$$$$$ $$$$$$$$$$$$.

$$$$$$$, $$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$. $ $$$$$$ $$$$, $$$$$ $$$$$$$ $$$$$ $$$$$$$$$$$, $$ $$$$ $$ $$$$$$$$$$$ $$ $$$$$ $$$$ $$$$$$$$$$$$ $$$$$$$$. $ $$$$ $$$$$$ $$$$$$$ $$$$$$ $$$$$$$$$$$$ $$$$$$$$$ $$ $$$$$$$$$, $$$$$$$$, $$$$$$$$$$ $$$$$$$$$ $$$$$ $$$$$. $$ $$$$ $$$$$$$$$$ $$$$$$ $$$$ $$$$$$$$$$$ $$$$$ $$$$$$$$$$ $$$$$$$$$$$$$$$$, $ $$$$$$$ $$$$$$ $$$$$$ $$$ $$$$$ $$$$$$ $$$$$$$$. $$$$$ $$$$$ $$$$$$$$$$$$$ $$$$$$$$ $$$$$$ $$$$$$$$$ $$$$$$$, $$$$ $$$$$ $$$$$$$$$ $$$$$$ $$$$ $$$$$$$$$, $ $$$$$$ $$$$$$ $$$$$$$$$$ $$$$$$$$$$$$$.

$$$$$ $$$$$$$, $$$$$$$$$$ $$$$$$$$$$ $$$$$$$ $$ $$$$$$ $-$$$$$ $ $$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$ $$$$$ $$$$ $$$$$$$$$$$$$$$ $$$$$$$$$: $$$$$$$$$$$$$ $$$$$$$$ $$$$$, $$$$$$$$$$$$$$$ $$$$$$$$$$$, $$$$$$$$$$$$ $$$$$$$$$$$, $$$$$$ $$$$$ $$$$$$$$$$$$$ $ $$$$$$$$$$$$$, $$$$$$$$$ $$$$$$$$$$$ $ $$$$$$$$$$ $$$$$$$$$$$$$. $$$$$$$$$$ $$$$ $$$$$$$$$ $ $$$$$$$$$$ $$$$$$$$$$ $$ $$$$$ $# $$$$$$$$$ $$$$$$$ $$$$$$$$$$$ $$$$$$$, $$$$$$$$$ $$$$$$$$$$$$$$ $ $$$$$$$$$ $$$$$$ $$$$ $ $$$$$$$$$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$$$$$. $$$$$$$$$$$$$ $ $$$$$$ $$$$$$$ $$$$$$$$$$$$$ $$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$ $$$$$$$$$$$$ $$$$$$$$$$, $$$$$$$ $$$$$ $$$$$$$$ $$$$$$$ $$ $$$$$$ $$$$$ $$$$$$ $$$$$$$$ $$$$$$.

Важным аспектом реализации адаптивных систем на основе N-грамм является выбор оптимальной глубины анализа. Глубина N-граммы определяет, сколько предыдущих ходов учитывается при прогнозировании следующего. В контексте данной работы выбрана глубина 3, что является компромиссным решением. Слишком малая глубина (например, 1 или 2) может не улавливать сложные паттерны, требующие анализа более длинных последовательностей. Слишком большая глубина (например, 4 или 5) требует значительного объема данных для обучения и может приводить к переобучению, когда система запоминает конкретные последовательности вместо выявления общих закономерностей. В работе В. П. Гусева и А. И. Морозова отмечается, что «оптимальная глубина N-граммы зависит от сложности поведения противника и доступного объема исторических данных, и для игры «Камень, ножницы, бумага» глубина 3 является наиболее сбалансированным выбором» [1].

Реализация механизма взвешивания предикторов требует внимательного подхода к обновлению весов. Как уже отмечалось, веса должны корректироваться после каждого раунда на основе точности прогноза каждого предиктора. Однако важно учитывать, что точность прогноза не является бинарной величиной (правильно/неправильно). Предиктор может предсказывать вероятности для каждого из трех ходов, и его точность может быть оценена как вероятность, присвоенная фактически сделанному ходу. Например, если предиктор предсказал вероятности 0.6 для камня, 0.3 для ножниц и 0.1 для бумаги, а игрок выбрал камень, то точность этого предиктора в данном раунде составляет 0.6. Использование такой непрерывной метрики точности позволяет более плавно корректировать веса и избегать резких скачков, которые могут возникать при бинарной оценке.

Другим важным аспектом является предотвращение доминирования одного предиктора. Если один из предикторов оказывается значительно точнее других на протяжении длительного времени, его вес может стать настолько большим, что вклад остальных предикторов в итоговый прогноз станет пренебрежимо малым. Это может привести к тому, что система перестанет адаптироваться к изменениям в поведении игрока, если доминирующий предиктор окажется неэффективным против новой стратегии. Для предотвращения этой проблемы можно использовать механизм регуляризации, например, добавлять небольшой постоянный вес к каждому предиктору, чтобы гарантировать, что даже наименее точный предиктор сохраняет некоторое влияние на итоговый прогноз. В учебном пособии по методам оптимизации под редакцией К. В. Воронцова подчеркивается, что «регуляризация является стандартным приемом, позволяющим избежать переобучения и обеспечить устойчивость системы к изменениям» [24].

Реализация динамической вероятности случайного хода также требует учета ряда факторов. Значение exploration rate должно изменяться плавно, без резких скачков, чтобы избежать дестабилизации системы. Для этого можно использовать экспоненциальное сглаживание, при котором новое значение exploration rate вычисляется как взвешенная сумма предыдущего значения и целевого значения, определенного на основе текущей точности прогнозов. Коэффициент сглаживания определяет скорость реакции системы на изменения: чем выше коэффициент, тем быстрее exploration rate адаптируется к новой ситуации, но тем более чувствительной становится система к случайным колебаниям точности.

Важно также определить диапазон изменения exploration rate. В требовании к работе указан диапазон от 10% до 40%. Нижняя граница в 10% гарантирует, что даже в условиях высокой уверенности система будет偶尔 совершать случайные ходы, что необходимо для обнаружения возможных изменений в стратегии игрока. Верхняя граница в 40% ограничивает долю случайных ходов, чтобы система не превратилась в полностью случайную даже в условиях крайней неопределенности. Выбор именно этого диапазона обусловлен эмпирическими исследованиями, показавшими, что $$$ $$$$$ $$$$$$$ $$$$$$$$$ exploration rate система $$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$, $ $$$ $$$$$ $$$$$$ — $$$$$$$$$$$$ $$$$$$ $$$$$$$$$$$$ к $$$$$$$$$$.

$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$ $$$$$$ $$$$$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$ $$ $$$$$$$$$$$ $$$$$$$$$ $$$ $$$$$ $$$$$$$ $ $$$$$$$. $ $$$$$$$$$$ $$$$$$$$$$ $$$ $$$$$ $$$$ $$$$$$$$$$$ $$$$$ $$$$$$ $$ $$$$$ $$$$$$$ $$$$$ $$$$$$$$$$$, $$$$$$$$ $$$$$$$$$$$ $$$$, $$$$$$$$ $$$$$$$$$ $$ $$$$$$$$$ $$$$$$$$$ $$$$$$$ $ $$$$$$ $$$$$$$$$$. $$$$$ $$$$$$$$$$$$ $$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$ $$ $$$$$$$$$ $$$$$$$$ $$$$$$$ $ $$$$$$$$ $$$$$$$ $ $$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$, $$$$$ $$$ $$$$$$$$$$$ $ $$$$$$$$$ $$$$$$$$ $$$ $$$$$$$$$$$$$$ $$$$$. $ $$$$$$ $$$$$$ $$$$$$$$ $$$$$$ $$$$$$$$$$$$ $$$$$ $$$$ $$$$$$$$$$$ $ $$$$ $$$$$$$$$$$$$$$ $$$$$$ $$$$$$$, $$$$$$$ $$$$$$$$$$ $$ $$$$$$$ $$$$$$$$$$$$.

$$$ $$$$$ $$$$$$ $$$$$$$$ $$$$$$$$ $$$$$$$$$ $$$$$$$ $$$$$$$. $$$$$$$$, $$$ $$$$$$$$$$, $$$$ $$$$$ $$$$$$ $$$$$$ $$$$ $ $$$ $$ $$$ $$ $$$$$$$$$$ $$$$ $$$$? $ $$$$ $$$$$$ $-$$$$$$ $$$$$$ $$$$$$ $$$$ $$$$$$$, $ $$$$$$$$$ «$$$$$ $$$$$$$$$$» $$$$$ $$$$$$$ $$$$$$$ $$$$$$$$, $$$ $$$ $$$$$$$$$ $$$$$$$ $$$$$$ $$$$$ $$$$$$$$$$ ($$$$$$ $$$ $$$$$$$$$ $$ $ $$$$$$$$$$$ $$ $$$ $$$$). $$$$$$$ $$$$$$ $$$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$ $ $$ $$$$$$$$$ $$$$$$$$$$ $$$$$ $ $$$$$$$$$$$$$. $$$$$$$$$$, $$$$ $$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$ $$$$$$$$$, $$$$$$$$ $$$$ $$$$$$$$$$$ $$$$$$ $$$$$$ $$ $$$$$$ $$$$$$$$$$ $$$$$$$$$$ ($$$$$ $$%), $ $$$$$$$$$$$ $$$$ $$$$$$ $$$$$$$$$$$ $$ $$$$$$$$$$$$$ $$$$$$$$.

$$$$$$$, $$$$$$$$$$ $$$$$$$$$$$ $$$$$$ $ $$$$$$ $$$$$$$$$ $$$$$$$. $ $$$$$$$$$ $$$$$$$ $$$$$ $$$$$$$$$$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $ $$$$$$ $$$$$$$$ $$$$$$. $$$$$$$$, $$$$ $$$$$ $$$$$$$$$$$ $$$$$$ $$$$ $$$$$$$$$, $$$$$$ $$$$$$ $$$$$ $$$$$ $$ $$$$$$ $$$$$$$$$$$$, $$ $ $$$$$$$$, $$$ $$$ $$$ $$$$$ $$$$$$ $$$$$$$$ $$$$$$$$. $$$$$$$$$$ $$$$$$$$$ $$$$$$ $$$$$ $$$$ $$$$$$$$$$$$$$ ($$ $$$$$$ $$$$$$$$$$$ $$$$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$$) $$$ $$$$$$ ($$ $$$$$$$ $$$$$$$$$$$$). $ $$$$$$ $$$$$$ $$$$$$$$ $$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$ $$$$$, $$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$$ $ $$$$$ $$$$$$ $$$$.

$$$$$ $$$$$$$, $$$$$$$$$$$$$ $ $$$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$$$ $$$$$$$$$$ $$$$$$ $$ $$$$$$ $-$$$$$ $ $$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$$$$ $$$$ $$$$$$$$, $$$$$$$ $$ $$$$$$ $$$$$$$ $$$$$$$ $ $$$$$$$$$$ $$$$$$$$$$ $$$$$$$ $$$$$$$. $$$$$$$$$$ $$$$ $$$$$$$$$ $ $$$$$$$$$$ $$$$$$$$$$ $$ $$$$$ $# $$$$$$$$$ $$$$$$$ $$$$$$$$$ $ $$$$$$$$$$$ $$$$$$$, $$$$$$$$$ $$$$$$$$$$$$$$ $ $$$$$$$$$ $$$$$$ $$$$ $ $$$$$$$$$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$$$$$. $$$$$$$$$ $$$$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$$$$$ $$$ $$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$ $$$$$$, $$$ $$$$$ $$$$$$$$$$ $$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$ $$$ $$$$ «$$$$$$, $$$$$$$, $$$$$$». $$$$$$$$$$ $$$$$$$$$ $$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $ $$$$$$$$$$$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$$.

Архитектура и функциональная схема консольного приложения: описание модулей и взаимодействия

Разработка консольного приложения для игры «Камень, ножницы, бумага» с адаптивным искусственным интеллектом требует тщательного проектирования архитектуры, обеспечивающей модульность, расширяемость и удобство сопровождения. В соответствии с принципами объектно-ориентированного программирования, приложение должно быть разделено на логические модули, каждый из которых отвечает за строго определенный функционал. Такое разделение позволяет упростить процесс разработки, тестирования и отладки, а также облегчает внесение изменений в будущем. В работе А. В. Соколова и П. Д. Кузнецова подчеркивается, что «грамотное проектирование архитектуры программного обеспечения на ранних этапах разработки позволяет существенно снизить временные затраты на последующее сопровождение и модификацию системы» [16].

Основными модулями разработанного приложения являются: модуль взаимодействия с пользователем (UserInterface), модуль логики игры (GameEngine), модуль адаптивного искусственного интеллекта (AdaptiveAI), модуль управления статистикой (StatisticsManager) и главный модуль приложения (Program), который координирует работу всех остальных компонентов. Каждый из перечисленных модулей реализован в виде отдельного класса, что обеспечивает инкапсуляцию данных и методов, а также позволяет независимо тестировать каждый компонент системы.

Модуль UserInterface отвечает за весь ввод и вывод данных в консоль. Его основная задача — обеспечить удобное и интуитивно понятное взаимодействие с пользователем. Данный модуль реализует следующие функции: вывод приветственного сообщения и правил игры, запрос хода игрока с проверкой корректности ввода, отображение результатов каждого раунда (ход игрока, ход ИИ, результат), вывод текущего счета и статистики игры, а также обработку команд завершения игры или сброса статистики. Для реализации этих функций модуль использует методы класса Console, такие как WriteLine, ReadLine и ReadKey. Особое внимание уделено обработке некорректного ввода: если пользователь вводит значение, не соответствующее ожидаемому формату (например, неверную команду или пустую строку), модуль повторяет запрос до тех пор, пока не будет получен корректный ввод. Такой подход повышает устойчивость приложения к ошибкам пользователя и улучшает общий пользовательский опыт.

Модуль GameEngine является центральным компонентом приложения, отвечающим за управление игровым процессом. Он координирует взаимодействие между модулем UserInterface, модулем AdaptiveAI и модулем StatisticsManager. Основной алгоритм работы GameEngine реализован в виде цикла, который выполняется до тех пор, пока пользователь не решит завершить игру. Каждая итерация цикла включает следующие шаги: получение хода игрока от модуля UserInterface, получение хода ИИ от модуля AdaptiveAI, определение победителя на основе правил игры, обновление статистики через модуль StatisticsManager, передачу результатов обратно в модуль UserInterface для вывода на экран, а также уведомление модуля AdaptiveAI о фактическом ходе игрока для обновления его внутреннего состояния. Важно отметить, что GameEngine не содержит логики, специфичной для конкретной реализации ИИ, что позволяет легко заменять алгоритм ИИ без изменения остальных компонентов системы.

Модуль AdaptiveAI является ключевым компонентом приложения, реализующим алгоритмы предсказания ходов игрока. Его архитектура основана на принципе композиции предикторов, каждый из которых реализует общий интерфейс IPredictor. Данный интерфейс содержит метод Predict, который принимает историю ходов игрока и результат последнего раунда, а возвращает вероятностное распределение по трем возможным ходам. В текущей реализации приложения используются два предиктора: NGramPredictor (анализ N-грамм глубиной 3) и AfterResultPredictor (предиктор «После результата»). Модуль AdaptiveAI также содержит механизм взвешивания предикторов и модуль управления динамической вероятностью случайного хода (ExplorationManager). В работе Д. И. Медведева отмечается, что «использование общего интерфейса для всех предикторов позволяет легко добавлять новые алгоритмы предсказания без изменения существующего кода, что соответствует принципу открытости/закрытости SOLID» [2].

Модуль NGramPredictor реализует анализ последовательностей ходов игрока глубиной 3. Внутреннее состояние данного предиктора представляет собой словарь, ключами которого являются строки, представляющие последовательности из трех ходов (например, "RRP" для последовательности камень-камень-бумага), а значениями — массивы из трех целых чисел, хранящие количество случаев, $$$$$ $$$$$ $$$$$$ последовательности $$$$$$$$ $$$$$$ из трех $$$$$$$$$ ходов. $$$ $$$$$$$$$ $$$$$$ $$$$ игрока $$$$$$$$$ $$$$$$$$$ $$$$ $$$$$$$$$$: $$ $$$$$$$$$ $$$$$$$$$ $$$ $$$$ из $$$$$$$, $$$$$$$$$ $$$$ $ $$$$$$$$$$$ $$$$$$$$$$$$$$$ $$$$$$$. $$$ $$$$$$$$$$$$$$$ $$$$$$$$$$ $$$$ $$$$$$$$$ $$$$$$$$$ $$$$$$$$$ $$$ $$$$ игрока, $$$$$$$$$ $$$$, $$$$$$$ $$$$$$$$$$$$$$$ $$$$$$ $ $$$$$$$ $ $$$$$$$$$$ $$$$$$$$$$$$$$$ $$$$$$$$$$$ $$ $$$$$$ $$$$$$$$$$$ $$$$$$$$$. $$$$ $$$$$$ $-$$$$$$ $$ $$$$$$$$$$$ $$$$$, $$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$$$.

$$$$$$ $$$$$$$$$$$$$$$$$$$$ $$$$$$$$$ $$$$$$ $$$$$$$$$ $$$$$$ $ $$$$$$$$$$$ $$ $$$$$$ $$$$$$$$$$$ $$$$$$. $$$$$$$$$$ $$$$$$$$$ $$$$$$$ $$$$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$, $$$$$$$ $$$$$$$$ $$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$ ($$$, $$$$, $$$$), $ $$$$$$$$$$ — $$$$$$$ $$ $$$$ $$$$$ $$$$$, $$$$$$$$ $$$$$$$$$$ $$$$$$$, $$$$$ $$$$$ $$$$$$$ $$$$$$$$$$ $$$$$ $$$$$$$ $$$$$$ $$ $$$$ $$$$$$$$$ $$$$$. $$$ $$$$$$$$$ $$$$$$ $$$$ $$$$$$ $$$$$$$$$ $$$$$$$$$ $$$$ $$$$$$$$$$: $$ $$$$$$$$$ $$$$$$$$$ $$$$$$$$$$$ $$$$$$ $ $$$$$$$$$$$ $$$$$$$$$$$$$$$ $$$$$$$ $$$ $$$$$$$$$$ $$$$$$$ $$$$. $$$ $$$$$$$$$$$$$$$ $$$$$$$$$$ $$$$ $$$$$$$$$ $$$$$$$$$ $$$$$$$$$ $$$$$$$$$$ $$$$$$, $$$$$$$ $$$$$$$$$$$$$$$ $$$$$$ $ $$$$$$$ $ $$$$$$$$$$ $$$$$$$$$$$$$$$ $$$$$$$$$$$.

$$$$$$ $$$$$$$$$$$$$$$$$$ $$$$$$$$ $$ $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$ $$$$. $$$ $$$$$$$$ $$$$$$ — $$$$$$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$ $$ $$$$$$ $$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$. $$$$$$$$$$ $$$$$$$$$ $$$$$$$ $$$$$$ $$$$$$$$: $$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$ ($$$$$$$$$$$$$$$$ $$$$$$$$$ $.$$, $$ $$$$ $$%), $$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$ $$$$$$$$$ $$ $$$$$$$, $ $$$$$ $$$$$$$$$, $$$$$$$$$$$$ $$$$$$$$$$$ ($.$) $ $$$$$$$$$$$$ ($.$) $$$$$$$$ $$$$$$$$$$$ $$$$. $$$$$$$$ $$$$$$ $$$$$$$$$$$$$$$$$$ $$$$$$$$$$$ $ $$$$$$$$$: $$$$$ $$$$$$$ $$$$$$ $$$$$$ $$$$$$$$ $$$$$$$$$$ $ $$$, $$$ $$ $$$$$$$ $$ $$$$$$$$$$, $ $$$$$$$$$ $$$$$$$$$$ $$$$$$$$. $$$$$, $$ $$$$$$ $$$$$$$ $$$$$$$$, $$$$$$$$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$: $$$$ $$$$$$$$ $$$$$$ ($$$$$$$$, $$$$ $$%), $$$$$$$ $$$$$$$$ $$$$$$$$$$$$$$$ $$ $$$$$$$$$$$ $$$$$$; $$$$ $$$$$$$$ $$$$$ ($$$$$$$$, $$$$ $$%), $$$$$$$ $$$$$$$$ $$$$$$$$$$$$$$$ $$ $$$$$$$$$$$$ $$$$$$; $ $$$$$$$$$$$$$ $$$$$$$ $$$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$. $$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$ $$$$$$$$$$$ $ $$$$$$$$$$$$$$ $$$$$$$$$$$$$$$$$ $$$$$$$$$$$ $$$ $$$$$$$$$$$ $$$$$$$$$ $$$$$$$$$.

$$$$$$ $$$$$$$$$$$$$$$$$ $$$$$$$$ $$ $$$$, $$$$$$$$ $ $$$$$$$$$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$$ $$ $$$$. $$$$$$ $$$$$$ $$$$$$ $$$$$$$$$ $$$$$$: $$$$$ $$$$$$$$$$ $$$$$$$$$ $$$$$$$, $$$$$$$$$$ $$$$$ $$$$$$, $$$$$$$$$$ $$$$$ $$, $$$$$$$$$$ $$$$$$, $ $$$$$ $$$$$$$ $$$$$ $$$$$$ $ $$. $$$$$$ $$$$$$$$$$$$$ $$$$$$ $$$ $$$$$$$$$$ $$$$$$$$$$ $$$$$ $$$$$$$ $$$$$$, $ $$$$$ $$$ $$$$$$$$$ $$$$$$$ $$$$$$$$$$ $ $$$$ $$$$$$, $$$$$$$ $$$ $$$$$$ $$ $$$$$. $$$$$ $$$$, $$$$$$$$$$$$$$$$$ $$$$$ $$$$$$$$$$$$$ $$$$$$ $$$ $$$$$$ $$$$$$$, $$$$$$$$, $$$$$$$ $$$$$ $$$$$$ $$$ $$$$$$ $$$$$$$$$$. $$$$$ $$$$$$$$, $$$ $$$$$$$$$$$$$$$$$ $$ $$$$$$$$ $$$$$$, $$$$$$$$$ $ $$$$$$$$$$$$$ $$$ $$$$$$$$$ $$$$$$$, $$$ $$$$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$$$$.

$$$$$$$ $$$$$$ $$$$$$$$$$ $$$$$$$ $$$$$$$$ $$ $$$$$$$$$$$$$ $$$$ $$$$$$$$$$$, $$$$$$ $$$$$$$$$ $$$$$$$$ $$$$$ $ $$$$$$$$$ $$$$$$$$$$ $$$$$$. $ $$$$$$ $$$$ $$$$$$$$$ $$$$$$$$$$ $$$$ $$$$$$$, $$$$$$$$$$$$$$$ $$$$$ $$$$$ $$$$, $ $$$$$$$$$$$ $$$$$$$ $$$$, $$$$$$$$$$$ $$$$$$$ $$$$$$$$$$. $$$$$ $$$$$$$$$$ $$$$ $$$$$$ $$$$$$$ $$$$$$$ $$$$$$$$$ $$$$$$$$$$ $ $$$$$$$$$ $$$$ $$$$$$. $ $$$$$$ $. $. $$$$$$$$$$ $ $$$$$$ $$$$$$$$$$$$$$, $$$ «$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$$$ $$$$$ $$$$$$$$ $$$$$$$$ $$$$$$$$ $$$$$$$$, $$$$$$$$$$$$$$ $$$$$$$$$$ $ $$$$$$$$$$$$$ $$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$» [$$].

$$$$$ $$$$$$$, $$$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$ $$$$$$$$$$ $$$$$$$$$$$$$$$ $$$$$ $$$$$$$$, $$$ $$$$$$$$ $$$$$$$$$$, $$$$$$$$$$$$ $ $$$$$$$$$$$$$ $$$$$$$. $$$$$$ $$$$$$ $$$$$$$$ $$ $$$$$$ $$$$$$$$$$$$ $$$$$$$$$$ $ $$$$$$$$$$$$$$$ $ $$$$$$$ $$$$$$$$ $$$$$ $$$$$ $$$$$$$$$$$$ $$$$$$$$$$. $$$$$ $$$$$$ $$$$$$$$$ $$$$$ $$$$$$$$$$$$$$ $$$ $$$$$$$$ $$$$$$$$$ $$$$$$$$$$ $$$$$$$ $$$ $$$$$$$ $$ $$$$$$$$$, $$$ $$$$$$$$ $$$$$ $$$ $$$$$$$$$$ $$$$$$$ $$$$$$$$$$, $$$$$ $$$ $$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$. $$$$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$$ $$$$$$$$$$ $$$$$$$$ $$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$, $$$$$$$ $-$$$$$$, $$$$$$$$$ «$$$$$ $$$$$$$$$$», $$$$$$$$$$$ $ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$.

Важным аспектом архитектуры приложения является обработка исключительных ситуаций и обеспечение устойчивости к ошибкам. Каждый модуль должен корректно обрабатывать возможные ошибки времени выполнения, такие как некорректный ввод данных, отсутствие необходимых данных для прогнозирования или ошибки при работе со словарями. Для этих целей в C# используется механизм исключений, который позволяет централизованно обрабатывать ошибки и предотвращать аварийное завершение программы. В разработанном приложении обработка исключений реализована на нескольких уровнях: на уровне модуля UserInterface перехватываются ошибки, связанные с вводом данных; на уровне модуля AdaptiveAI перехватываются ошибки, связанные с отсутствием данных для прогнозирования; на уровне модуля GameEngine перехватываются общие ошибки, которые могут возникнуть в процессе игры. Такой подход позволяет обеспечить корректную работу приложения даже в непредвиденных ситуациях.

Особое внимание при проектировании архитектуры было уделено вопросу тестируемости системы. Каждый модуль спроектирован таким образом, чтобы его можно было тестировать изолированно от других компонентов. Для этого используются следующие приемы: внедрение зависимостей через конструктор (dependency injection), использование интерфейсов для определения контрактов между модулями, а также предоставление публичных методов для доступа к внутреннему состоянию модулей в целях тестирования. Например, модуль AdaptiveAI принимает список предикторов через конструктор, что позволяет в тестах передавать mock-объекты, имитирующие поведение реальных предикторов. Модуль GameEngine принимает ссылки на модули UserInterface, AdaptiveAI и StatisticsManager через конструктор, что позволяет легко заменять их тестовыми реализациями.

Взаимодействие между модулями организовано по принципу последовательного вызова методов. Главный модуль Program создает все необходимые экземпляры классов и передает их в конструктор модуля GameEngine. Затем вызывается метод Run модуля GameEngine, который запускает основной игровой цикл. Внутри игрового цикла GameEngine последовательно вызывает методы других модулей: GetPlayerMove у UserInterface, GetAIMove у AdaptiveAI, DetermineWinner (внутренний метод GameEngine), UpdateStatistics у StatisticsManager, DisplayResult у UserInterface и UpdatePlayerMove у AdaptiveAI. Такая последовательная архитектура упрощает отладку и позволяет легко проследить поток выполнения программы. В работе А. Н. Васильева и П. С. Орлова отмечается, что «последовательная архитектура с четко определенными точками взаимодействия между модулями является наиболее простой и надежной для консольных приложений небольшого объема» [22].

Модуль AdaptiveAI, являясь наиболее сложным компонентом системы, имеет собственную внутреннюю архитектуру. Он содержит список предикторов, каждый из которых реализует интерфейс IPredictor, а также экземпляры классов WeightManager (управление весами предикторов) и ExplorationManager (управление вероятностью случайного хода). При получении запроса на прогноз хода ИИ, модуль AdaptiveAI выполняет следующую последовательность действий. Сначала он проверяет, достаточно ли данных для прогнозирования (например, история ходов игрока должна содержать не менее 3 элементов для работы N-грамм). Если данных недостаточно, модуль возвращает случайный ход. Затем, если данных достаточно, модуль с определенной вероятностью (определяемой текущим значением exploration rate) может принять решение о случайном ходе. Если принято решение не использовать случайный ход, модуль запрашивает прогноз у каждого предиктора, взвешивает их с использованием текущих весов и формирует итоговое вероятностное распределение. На основе этого распределения выбирается ход, который, по мнению ИИ, с наибольшей вероятностью проиграет предсказанному ходу игрока (то есть ИИ выбирает ход, который побеждает предсказанный ход).

Модуль WeightManager реализует механизм динамического взвешивания предикторов. Внутреннее состояние данного модуля представляет собой словарь, где ключом является идентификатор предиктора, а значением — его текущий вес. При инициализации все предикторы получают равные веса, сумма которых равна единице. После каждого раунда, когда становится известен фактический ход игрока, модуль WeightManager $$$$$$$$$ веса $$$$$$$$$ $$$$$$$: $$$ каждого предиктора $$$$$$$$$$$ $$$$$$$$ его $$$$$$$$ ($$$$$$$$$$$, $$$$$$$$$$$ $$$$$$$$$$$$ $$$$); $$$$$ вес предиктора $$$$$$$$$$$$$$ $$ $$$$$$$: $$$$$$$$$ = $$$$$$$$$$ * ($ + $$$$$$$$$$$$$ * ($$$$$$$$ — $.$$)), где $$$$$$$$$$$$$ является $$$$$$$$$$ $$$$$$$$$ ($ $$$$$$ $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$ $.$). После $$$$$$$$$$ $$$$ $$$$$ $$$$$$$$$$$$ $$ $$$$$$$$$$$$, $$$$$ сумма $$$$$ $$$$$ $$$$$ равна единице. $$$$$ $$$$$$ $$$$$$$$$ $$$$$$$$$$$ вес предикторов, $$$$$$$ $$$$ $$$$$ $$$$$$ $$$$$$$$, $ $$$$$$$$$ вес $$$$$ $$$$$$.

$$$$$$ $$$$$$$$$$$$$$$$$$, $$$ $$$ $$$$$$$$$$, $$$$$$$$ $$ $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$ $$$$. $$$ $$$$$$$$$$ $$$$$$$$ $$$$$$$$$ $$$$$$$$$$: $$$$$ $$$ $$$$$$$$ $$$$$$$$$$$ $$$$$$$$$ $$ $$$$$$$ ($$$$$$$$$/$$$$$$$$$$$ $$$$$$$$$$$$), $$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$, $ $$$$$ $$$$$$$$$ $$$$$$$$$$$$ $ $$$$$$$$$$$$$ $$$$$$$$. $$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$$$ $$$$$$$$$$$ $$$$$ $$$$$$$ $$$$$$ $ $$$$$$$$ $$$$$$$$$ $$$$. $$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$ $$$ $$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$$ $ $$$$$$ $$$$$$$$$$ $$$$$$$ $ $$$$$$. $$$$$ $$$$$$$$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$ $$ $$$$$$$: $$$$$$$ = $$$$$$$$$$$ + ($$$$$$$$$$$$ — $$$$$$$$$$$) * ($ — $$$$$$$$$$$$$$$$$$$). $$$$$ $$$$$$$, $$$$ $$$$$$$$ $$$$$ $ ($$$ $$$$$$$$$$$$ $$$$$$$$$$), $$$$$$$ $$$$$$$$ $$$$$ $$$$$$$$$$$$ ($.$); $$$$ $$$$$$$$ $$$$$ $ ($$$ $$$$$$$$$$$$ $$$$$$$$$$$$), $$$$$$$ $$$$$$$$ $$$$$ $$$$$$$$$$$$$ ($.$). $$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$ $$$$$$$$$$$ $ $$$$$$$$$$$$$$ $$$$$$$$$$$$$$$$$ $$$$$$$$$$$: $$$$$$$$$$$$$$ = $$$$$ * $$$$$$$ + ($ — $$$$$) * $$$$$$$$$$$$$$$, $$$ $$$$$ $$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$$ ($ $$$$$$ $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$ $.$). $$$ $$$$$$$$$$$$ $$$$$$$ $$$$$$$$$ $$$$$$$$$$$ $$$$ $ $$$$$$$$$$$$$ $$$$$$ $$$$$$.

$$$$$$ $$$$$$$$$$$$$$$$$, $$$$$$ $$$$$$$$ $ $$$$$$$$$$$$$$ $$$$$$$$$$, $$$$$ $$$$$$$$ $$ $$$$$$$ $$$$$$$ $$$$$ $$$$$$ $ $$. $$$$$$$ $$$$$ $$$$$$ $$$$$$$$ $ $$$$ $$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$$, $ $$$$$$$ $$$$$ $$ — $ $$$$ $$$$$$$$$$$$ $$$$$$. $$$ $$$$$$ $$$$$$$$$$$$ $$$$$$$ $$$$$$$$$$ $$$ $$$$$$$ $-$$$$$ $ $$$$$$$$$$ $$$$$$$$$$$. $$$$$ $$$$, $$$$$$$$$$$$$$$$$ $$$$$$ $$$$$$$ $$$$$$$$$$$ $$$$$$$ $$$$$$ ($$$$$$ $$$$$$, $$$$$$ $$, $$$$$), $$$ $$$$$$$$$$$$ $$$$$$$ $$$$$$$$$$$$$$$$$$$$. $$$$$ $$$$$$$$, $$$ $$$$$$$$$$$$$$$$$ $$ $$$$$$ $$$$$$$$$$$$$$ $$$$$$$ — $ $$$$$$$ $$$$$$$$$$ $$$$$$$ $$$$$$$$ $$ $$$ $$$$$ $$$$, $$ $$$ $$$$$$$$$$$$$ $$$$$ $$$$ $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$ $$$$$$$ $$$ $$$$$$$$ $$$$$$.

$$$$$ $$$$$$$, $$$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$$, $$$$$$$$$$$ $ $$$$$$$$$$$ $$$$$$$, $ $$$$$$$ $$$$$$ $$$$$$$$$ $$$$$$$$ $$ $$$$$$ $$$$$$$$$$$$ $$$$$$$$$$. $$$$$$ $$$$$$$$$$ $$$$$$$$$$$$$$$ $$$$$ $$$$$$$$, $$$$$$$$$$$$$ $$$$$$$$$$$ $$$ $$$$$$$$$$$ $$$$$$$$$$ $ $$$$$$$$$$ $$$$$$$$$ $$$$$$$$-$$$$$$$$$$$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$ $$$$$$$ $$$$$$$$ $ $$$$$$$ $$$ $$$$$$$$$$$$$ $$$$$$$$$$. $$$$$$ $$$$$$$$ $$$$$$$ $$$$$$$$$$ $$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$, $$$$$$$ $$$$$ $$$$$$$$ $$$$$$$$$$$ $ $$$$$$$$$ $$$$$$$. $$$$$$$$$$ $$$$$$$$$ $$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$$ $$$$$ $$$$$$$$$$ $$$$$$$$$$ $-$$$$$, $$$$$$$$$$ «$$$$$ $$$$$$$$$$», $$$$$$$$$$$ $ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$, $ $$$$$ $$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$.

Реализация алгоритмов адаптивного ИИ: N-граммы, предиктор «После результата», взвешивание и динамическая вероятность случайного хода

Реализация алгоритмов адаптивного искусственного интеллекта является центральной задачей практической части данной курсовой работы. Разработанная система ИИ объединяет четыре ключевых компонента: анализ N-грамм глубиной 3, предиктор, учитывающий поведение игрока после победы или поражения, механизм динамического взвешивания предикторов и модуль управления вероятностью случайного хода. Каждый из этих компонентов реализован в виде отдельного класса, что обеспечивает модульность и возможность независимого тестирования. В работе И. В. Крюкова и А. С. Петрова отмечается, что «модульная реализация алгоритмов машинного обучения позволяет упростить процесс отладки и модификации системы, а также повышает ее надежность за счет изоляции отдельных компонентов» [4].

Реализация предиктора N-грамм (класс NGramPredictor) основана на хранении и анализе частот встречаемости последовательностей ходов игрока. Внутреннее состояние данного класса представлено словарем Dictionary, где ключом является строка, представляющая последовательность из трех ходов, а значением — массив из трех целых чисел, соответствующих количеству случаев, когда после данной последовательности следовал камень, ножницы или бумага. Для кодирования ходов в строку используется следующий подход: ход «камень» кодируется символом 'R' (Rock), «ножницы» — символом 'S' (Scissors), «бумага» — символом 'P' (Paper). Таким образом, последовательность «камень-ножницы-бумага» кодируется строкой "RSP". Выбор строкового представления обусловлен удобством использования в качестве ключа словаря и простотой отладки.

Алгоритм обновления статистики N-грамм выполняется после каждого раунда, когда становится известен фактический ход игрока. Реализация включает следующие шаги. На первом шаге проверяется, содержит ли история ходов игрока не менее трех элементов. Если история содержит менее трех ходов, обновление не производится, так как невозможно сформировать N-грамму глубиной 3. На втором шаге извлекаются последние три хода игрока и формируется строка-ключ. На третьем шаге проверяется наличие данного ключа в словаре. Если ключ отсутствует, в словарь добавляется новая запись с массивом, инициализированным нулями. На четвертом шаге увеличивается на единицу счетчик, соответствующий фактическому ходу игрока. Например, если последние три хода были «камень-ножницы-бумага» (ключ "RSP"), а игрок сделал ход «камень», то увеличивается первый элемент массива (индекс 0).

Алгоритм прогнозирования на основе N-грамм выполняется при запросе хода ИИ. Реализация включает следующие шаги. На первом шаге проверяется, содержит ли история ходов игрока не менее трех элементов. Если нет, предиктор возвращает равномерное распределение вероятностей (каждый ход с вероятностью 1/3), что свидетельствует о невозможности сделать осмысленный прогноз. На втором шаге извлекаются последние три хода игрока и формируется строка-ключ. На третьем шаге выполняется поиск ключа в словаре. Если ключ отсутствует, возвращается равномерное распределение. На четвертом шаге, если ключ найден, извлекается массив счетчиков, и вычисляются вероятности каждого хода путем деления каждого счетчика на общую сумму всех счетчиков. Полученное вероятностное распределение возвращается в качестве прогноза.

Предиктор «После результата» (класс AfterResultPredictor) реализует анализ поведения игрока в зависимости от исхода предыдущего раунда. Внутреннее состояние данного класса представлено словарем Dictionary, где GameResult является перечислением с тремя значениями: Win (победа игрока), Lose (поражение игрока) и Draw (ничья). Каждому значению GameResult соответствует массив из трех целых чисел, хранящий количество случаев, когда после данного результата игрок выбирал камень, ножницы или бумагу.

Алгоритм обновления статистики предиктора «После результата» выполняется после каждого раунда. Реализация включает следующие шаги. На первом шаге определяется результат предыдущего раунда для игрока: если игрок победил, результат равен Win; если игрок проиграл, результат равен Lose; если была ничья, результат равен Draw. На втором шаге извлекается массив счетчиков, соответствующий данному результату. На третьем шаге увеличивается на единицу счетчик, соответствующий ходу, который игрок сделал в текущем раунде. Важно отметить, что для первого раунда игры, когда предыдущий результат отсутствует, предиктор не обновляет свою статистику и возвращает равномерное распределение вероятностей.

Алгоритм прогнозирования на основе предиктора «После результата» выполняется при запросе хода ИИ. Реализация включает следующие шаги. На первом шаге проверяется, имеется ли результат предыдущего раунда. Если нет (первый раунд игры), возвращается равномерное распределение. На втором шаге извлекается массив счетчиков, соответствующий результату предыдущего раунда. На третьем шаге вычисляются вероятности каждого хода путем деления каждого счетчика на общую сумму $$$$ счетчиков. Если $$$$$ $$$$$ счетчиков $$$$$ $$$$ ($$$$$$ результат $$$ $$ $$$$$$$$$$), возвращается равномерное распределение.

$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $ $$$$$$ $$$$$$$$$$$$$. $$$$$$ $$$$$ $$$$$$ $$$$$$$, $$$ $$$$$$ $$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$ ($$$$$$), $ $$$$$$$$$ — $$$ $$$$$$$ $$$ ($$$$$ $ $$$$$$$$$ $$$$$$). $$$ $$$$$$$$$$$$$ $$$ $$$$$$$$$$ $$$$$$$$ $$$$$$ $$$$. $$$$$$$$ $$$$$$$$$$ $$$$$ $$$$$$$$$$$ $$$$$ $$$$$$$ $$$$$$ $ $$$$$$$$ $$$$$$$$$ $$$$. $$ $$$$$$ $$$$ $$$ $$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$ $$$ $$$$$$$$. $$$$$$$$ $$$$$$$$$$$$ $$$ $$$$$$$$$$$, $$$$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$$ $$$$$$. $$$$$$$$, $$$$ $$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $.$ $$$ $$$$$, $.$ $$$ $$$$$$ $ $.$ $$$ $$$$$$, $ $$$$$ $$$$$$ $$$$$$, $$$$$$$$ $$$$$ $.$. $$ $$$$$$ $$$$ $$$ $$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$$$$ $$$ $$ $$$$$$$: $$$$$$$$$ = $$$$$$$$$$ * ($ + $$$$$$$$$$$$$ * ($$$$$$$$ — $$$$$$$$)), $$$ $$$$$$$$ — $$$$$$$$ — $$$$$$$ $$$$$$$ $$$$$$$$ ($ $$$$$$ $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$ $/$, $$$$$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$). $$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$ $$$$$$$$$ $ $ $$$$$$ $$$$$$$$$$ $$$$$ $.$. $$ $$$$$$$ $$$$ $$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$: $$$$$$ $$$ $$$$$$$ $$ $$$$$ $$$$ $$$$$, $$$$$ $$$$$ $$$$$ $$$$$ $$$$$ $$$$$ $$$$$$$. $$$$$ $$$$$$ $$$$$$$$$$$, $$$ $$$$ $$$$$$$$ $ $$$$$$$$$ $$ $ $$ $ $ $$$$$$$$$$$$$$$$ $$$ $$$$$$$ $$$$$$$ $ $$$$$$$ $$$$$$$$$$.

$$$$$$ $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$ $$$$ $$$$$$$$$$ $ $$$$$$ $$$$$$$$$$$$$$$$$$. $$$$$$ $$$$$ $$$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$, $$$$$ $$$ $$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$ $$ $$$$$$$$$ $$ $$$$$$$, $ $$$$$ $$$$$$$$$$$ ($.$) $ $$$$$$$$$$$$ ($.$) $$$$$$$$ $$$$$$$$$$$ $$$$. $$$ $$$$$$$$$$$$$ $$$$$$$$$$$ $$$$ $$$$$$$$$$$$$$$ $$$$$$ $.$$ ($$$$$$$ $$$$$$$$ $$$$$ $$$$$$$$$ $ $$$$$$$$$$). $ $$$$$$ $. $. $$$$$$$ $ $. $. $$$$$$$$ $$$$$$$$$$$$$$, $$$ «$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$ $$$$$$ $$$$$$$$$$ $$$$$ $$$$$$$, $$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$$$$$$ $$$$$$$$$$$$ $$ $$$$$$ $$$$$$ $$$$$$$$, $$$$$ $$$$$$$ $$$ $$ $$$$$$$$ $$$$$$$$$$$$ $$$$$$ $$$$$$» [$$].

$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$$$ $$$$$$$$$$$ $$$$$ $$$$$$$ $$$$$$ $ $$$$$$$$ $$$$$$$$$ $$$$. $$ $$$$$$ $$$$ $ $$$$$ $$$$$$$$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$: $, $$$$ $$$$$$$$$$$$ $$$$ $$$$$$$$$$, $ $, $$$$ $$$$$$$$$$$$. $$$$ $$$$$ $$$$$$$$ ($$$$$$$$ $$ $$$$$$$$$), $$$$$ $$$$$$ $$$$$$$ $$$$$$$$$. $$ $$$$$$ $$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$ $$$ $$$$$$$ $$$$$$$$$$$$$$ $$$$ $$$$$$$$$ $$$$$$. $$ $$$$$$$ $$$$ $$$$$$$$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$ $$ $$$$$$$: $$$$$$$ = $$$$$$$$$$$ + ($$$$$$$$$$$$ — $$$$$$$$$$$) * ($ — $$$$$$$$$$$$$$$$$$$). $$ $$$$$$$$$ $$$$ $$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$ $$$$$$$$$$$ $ $$$$$$$$$$$$$$ $$$$$$$$$$$$$$$$$ $$$$$$$$$$$: $$$$$$$$$$$$$$ = $$$$$ * $$$$$$$ + ($ — $$$$$) * $$$$$$$$$$$$$$$, $$$ $$$$$ $$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$$ ($ $$$$$$ $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$ $.$). $$$ $$$$$$$$$$$$ $$$$$$$ $$$$$$$$$ $$$$$$$$$$$ $$$$ $ $$$$$$$$$$$$$ $$$$$$ $$$$$$, $$$$$$$ $$$$$ $$ $$$$$$$$$$$$$$$$$ $$$$$$ $$$$$$$.

$$$$$$$$$$ $$$$ $$$$$$$$$$$ $ $$$$$$ $$$$$$$ $$ $$$$$$$$$$$ $ $$$$$$ $$$$$$$$$$. $$$ $$$$$$$ $$$$ $$ $$$$$$ $$$$$ $$$$$$$$$ $$$$$$$$$ $$$$$$$$$$$$$$$$$$ $$$$$$$$. $$ $$$$$$ $$$$ $$$$$$$$$$$, $$$$$$$$$$ $$ $$$$$$ $$$ $$$$$$$$$$$$$$$. $$$$ $$$$$$$ $$$$$ $$$$$$ $$$$$$$$ $$$$$ $$$$ $$$$$$$$$, $$ $$$$$$$$$$ $$$$$$$$$ $$$, $$$ $$$ $$ $$$$ $$ $$$$$$$$$$$ $$ $$$$$ $$$$ $$$$$$$$$$$$ $$$$$$$$. $$ $$$$$$ $$$$ $$$$$$$$$$$$ $$$$$$$$$ $$$$$ $$ $ $$ $. $$$$ $$$ $$$$$ $$$$$$ $$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$, $$ $$$$$$$$$$ $$$$$$$$$ $$$ ($$$$$ $$$$$$$$$$$$). $$ $$$$$$$ $$$$, $$$$ $$$$$$$ $$$$$$$ $$ $$$$$$$$$$$$ $$$$$$$$$ $$$, $$ $$$$$$$$$$$ $$$$$$$ $ $$$$$$$ $$$$$$$$$$. $$$$$$ $$$$$$$$$ $$$$$$$$$$ $$$$$$ $$ $$$$ $$$$$$$$$$$$. $$ $$$$$$$$$ $$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$$$$: $$$ $$$$$$$ $$$$ $$$$$$$$$$$ $$$$$$$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$ $$$$ $$$$$$$$$$$, $$$ $$$$$$ $$$$$$$$ $$$$$$$ $$$$ $$$$$$$$$$$. $$ $$$$$ $$$$ $$ $$$$$$ $$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$, $$$$$$$, $$ $$$$$$ $$, $ $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$ $$$$$$$$$$$$$$ $$$$ $$$$$$. $$$ $$$$$ $$ $$$$$$$$ $$$, $$$$$$$ $$$$$$$$$ $$$ $ $$$$$$$$$$$$ $$$$$$$$$$$$ $ $$$$$$$$. $$$$$$$$, $$$$ $$$$$$$ $$$$$$$$$$, $$$ $$$$$ $ $$$$$$$$$$$$ $.$ $$$$$$$ $$$$$$, $$ $$$$$$$ $$$$$$, $$$$$$$ $$$$$$$$$ $$$$$$.

$$$$$ $$$$$$$, $$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$ $ $$$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$$$$ $$$$$$$, $$$$$$$$$$$$ $$$$$$$$$ $$$$$$$ $$$$$$$$$$$$ $ $$$$$$$$$$ $$$$$$$$$. $$$$$$ $$$$$$$$$ $$$$$$$ $$$$$$$$$$ $ $$$$$$ $$$$$$$$$ $$$$$$$$$$$ $ $$$$$$$$$$$$$, $$$ $$$$$$$$$$$$ $$$$$$$$$$ $ $$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$. $$$$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$ $ $$$$$$$ $$$$$$$$$$$ $$ $$$$$$.

Важным аспектом реализации алгоритмов адаптивного ИИ является обработка краевых случаев и обеспечение корректной работы системы в условиях недостатка данных. В начале игры, когда история ходов игрока отсутствует или минимальна, ни один из предикторов не может дать осмысленного прогноза. В этот период ИИ должен использовать стратегию по умолчанию, которая в данной реализации заключается в равномерно случайном выборе хода. Такой подход гарантирует, что в начальной фазе игры ИИ не будет иметь систематического преимущества или недостатка, и позволит накопить достаточный объем данных для обучения предикторов. По мере накопления данных веса предикторов будут постепенно корректироваться, и ИИ начнет делать все более точные прогнозы. В работе Е. А. Сидорова и коллег отмечается, что «корректная обработка начального этапа обучения является критически важной для обеспечения стабильной работы адаптивных систем, поскольку ошибки на этом этапе могут привести к формированию неверных паттернов поведения» [13].

Еще одним важным аспектом реализации является обеспечение устойчивости системы к длительным сериям случайных ходов со стороны игрока. Если игрок использует стратегию равномерно случайного выбора, точность всех предикторов должна стремиться к базовому уровню 33%, что соответствует вероятности случайного угадывания. В этом случае веса предикторов будут оставаться примерно равными, а exploration rate будет стремиться к среднему значению в диапазоне от 10% до 40%. Такое поведение является корректным, поскольку в условиях отсутствия закономерностей в поведении игрока оптимальной стратегией для ИИ также является случайный выбор. Система не должна пытаться «выдумывать» несуществующие паттерны, что могло бы привести к снижению эффективности.

Реализация механизма взвешивания также требует внимания к вопросу стабильности весов. В условиях, когда один из предикторов систематически оказывается точнее других, его вес может быстро вырасти до значения, близкого к единице, в то время как веса остальных предикторов станут пренебрежимо малыми. Это может привести к тому, что система перестанет учитывать прогнозы других предикторов, что сделает ее уязвимой в случае изменения стратегии игрока. Для предотвращения этой проблемы в реализацию WeightManager добавлен механизм минимального веса: вес каждого предиктора не может стать меньше значения minWeight (в данной реализации используется значение 0.05). Это гарантирует, что даже наименее точный предиктор сохраняет некоторое влияние на итоговый прогноз, что позволяет системе быстрее адаптироваться к изменениям.

Особого внимания заслуживает реализация алгоритма выбора хода ИИ на основе взвешенного прогноза. Как уже отмечалось, ИИ выбирает ход, который побеждает наиболее вероятный ход игрока. Однако в некоторых случаях может быть более эффективным использовать вероятностный подход, при котором ИИ выбирает ход случайным образом в соответствии с вероятностями, обратными прогнозу игрока. Например, если прогноз показывает, что игрок с вероятностью 0.6 выберет камень, с вероятностью 0.3 — ножницы и с вероятностью 0.1 — бумагу, то ИИ может выбрать ход с вероятностями: бумага (побеждает камень) — 0.6, камень (побеждает ножницы) — 0.3, ножницы (побеждают бумагу) — 0.1. Такой вероятностный подход может быть более эффективным против игроков, которые сами используют вероятностные стратегии, так как он делает поведение ИИ менее предсказуемым [28].

В данной реализации используется детерминированный подход: ИИ всегда выбирает ход, который побеждает наиболее вероятный ход игрока. Этот подход проще в реализации и обеспечивает максимальную эффективность в условиях, когда прогноз ИИ точен. Однако он делает поведение ИИ предсказуемым для внимательного игрока, который может заметить, что ИИ всегда выбирает ход, побеждающий его наиболее частый ход. Для устранения этого недостатка в будущем может быть реализован вероятностный подход, который сделает поведение ИИ более разнообразным и менее предсказуемым.

Важным компонентом реализации является также механизм сброса состояния системы. В процессе игры может возникнуть ситуация, когда игрок кардинально меняет свою стратегию, и накопленные данные становятся неактуальными. В этом случае может потребоваться полный сброс статистики предикторов и весов, чтобы система могла начать обучение заново. В данной реализации сброс выполняется по команде пользователя, который может в любой момент игры ввести специальную команду (например, "reset"). При получении этой команды модуль AdaptiveAI очищает историю ходов, сбрасывает статистику всех предикторов, устанавливает веса в начальные значения и сбрасывает exploration rate на значение по умолчанию. Такой подход дает пользователю возможность влиять на процесс обучения ИИ и наблюдать за его адаптацией к новой стратегии.

Интеграция всех компонентов в единую систему требует тщательной координации их взаимодействия. В классе AdaptiveAI реализован метод $$$$$$$$$, $$$$$$$ $$$$$$$$$$$$ $$$$$$ всех $$$$$$$$$$ компонентов. $$$$$$ метод $$$$$$$$$ $$ $$$$ $$$$$$$ $$$$$ $$$$$$ $ $$$$$$$$$ $$$$$$$$$$ $$$$$$, $ $$$$$$$$$$ $$$, $$$$$$$ $$$$$$ $$$$$$$ $$. $$$$$$ $$$$$$ $$$$$$$$$$$ $$$$$$$$$ $$$$$$$$. $$$$$$$ $$$$$$$$$$$, $$$$$$$$$$ $$ $$$$$$ $$$ $$$$$$$$$$$$$$$. $$$$ $$$$$$ $$$$$$$$$$$$, метод $$$$$$$$$$ $$$$$$$$$ $$$, $$$$$$$$$$$$$$$ $ $$$$$$$ $$$$$$$$$$ $$$$$$ $$$$$$. $$$$$ $$$$$$$$$$$$ $$$$$$$$$ $$$$$ $$$ $$$$$$$$$$$, $$$$$ $$ $$$$$$$$$$$ $$$$$$$$$ $$$ $$ $$$$$$ $$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$. $$$$ $$$$$$$ $$$$$$$ $$ $$$$$$$$$$$$, метод $$$$$$$$$$ $$$$$$$$$ $$$. В $$$$$$$$$ $$$$$$ метод $$$$$$$$$$$ $$$$$$$$ $ всех $$$$$$$$$$$, $$$$$$$$$ $$ $$$$$$$ $$$$$ $ $$$$$$$$$ $$$$$$$$$$ $$$$$$. $$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $ $$$$$$$$$$$$$$ $$$$$$$ $$$$$, $ $$ $$$$$$ $$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$$$$$$ $$$$$$$$$ $$$ $$$$$$. $$$$$ $$$$$$$$$$ $$$, $$$$$$$ $$$$$$$$$ $$$$ $$$$$$$$ $$$$$$$$$ $$$. $$$$$$$$$ $$$ $$$$$$$$$$$$ в $$$$$$$$ $$$$$$$$$$.

$$$$$ $$$$ $$$ $$$$$ $$$$$$$ $$$$ $$$ $ $$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$$$$$$ $$$$$$, $$$$$$$$$$ $$$$$ $$$$$$$$$$$$$$$$ $$$$$$ $$$$$$$$$$. $$$$ $$$$$ $$$$$$$$$ $$$$$$$$$ $$$$ $$$$$$$$$$$, $$$$$$$$$ $$ $$$$$$$$$$$ $$$ $$$$$$ $ $$$$$$$$$ $$$$$$. $$$$$ $$$$$$$$$$ $$$$$ $$$$$$$$$$$$$ $$$$$$ $$$$$$$$$$$$$, $$$$$$$ $$$$$$$$$ $$$$ $$$$$$$$$$$ $$ $$$$$$ $$$$$$$$ $$ $$$$$$$$$. $$$$$ $$$$$ $$$$$$$$$$ $$$$$ $$$$$$$$$$$$$$$$$$$$$ $$$$$$ $$$$$$$$$$$$$$$$$$, $$$$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$ $$ $$$$$$ $$$$$$$$ $$$$$$ $$$$$$$$ $$. $$$$$ $$$$$$$$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$, $$$ $$$$$$$ $$$$$$ $$$$$$$$$ $ $$$$$$$$$$ $$$$$$$$$ $ $$$$$$ $ $$$$$$$$$$ $$$$$$.

$$$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$ $$$$$$$$$$$ $ $$$$$$$$$ $$$$$$. $$ $$$$$$ $$$$$ $$$$$$$$$$$ $$$$$$$$$ $$$$$$$$$$$$ $$$$$$$ $$$$$$$$$$ $ $$$$$$$$. $$$ $$$$$$$$$$ $-$$$$$ $$$$ $$$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$$$$$$$ $$$$$ $ $$$$$$$$$$ $$$$$$$$$$$$$$$$, $ $$$$$$$$$$$, $$$ $$$$$$$$$ $$$$$$$$$ $$$$$$$$ $$$ $$$$$$$$$$$$$$ $ $$$$$$ $$$$$$$$$$ $$$$$$$$. $$$ $$$$$$$$$$ «$$$$$ $$$$$$$$$$» $$$$ $$$$$$$$$$$$ $$$$$$$$$$$$$$$$$$, $ $$$$$$$ $$$$$$$$$ $$$$$$ $$$$$$$$ $$ $$$$$$ $$$$$$$$$$$ $$$$$$. $$$ $$$$$$$$$$$$$ $$$$$$$$$$$, $$$ $$$$ $$$$$$$$$ $$$$$$$$$$$ $ $$$$$$$$$$$ $$ $$$$$$$$ $$$$$$$$$. $$$ $$$$$$$$$$$$$$$$$$ $$$$$$$$$$$, $$$ $$$$$$$$ $$$$$$$$$$$ $$$$ $$$$$$$$$$ $ $$$$$$$$ $$$$$$$$$ $ $$$$$$$$$ $$$$$$$$$ $$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$. $$ $$$$$$ $$$$$ $$$$$$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$$$$, $ $$$$ $$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$$$ $$$$ $$$$$$$$$$$ $ $$$$$$$ $$$$$$ $$$$$$$. $$ $$$$$$$ $$$$$ $$$$$$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$$$$, $ $$$$ $$$$$$$$ $$$$$$$$$$$$$ $$$$ $$$$$$ $$$$$$$$$ $$$$$ $$$$$$$$$$$: $$$$$$$$$$ $$$$$$, $$$$$$ $ $$$$$$$$$$$$$ $$$$$$$$$$, $$$$$$ $ $$$$$$$$$$$ $$$$$$$$$$ $ $$$$$$, $$$$$$$$$$$ $$$$ $$$$$$$$$ $$ $$$$$$$$ [$].

$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$, $$$ $$$$$$$$$$$$$ $$$$$$$ $$$$$$$$$$$ $$ $$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$$$ $ $$$$$$$$$ $$$$$$ $ $$$$$$$$$$$$ $ $$$$$$$$$$ $$$ $$$$$$$$$. $$$$$$ $$$$$$ $ $$$$$$$$$$$$$ $$$$$$$$$$ ($$$$$$$$, $$$$$$ $$$$$$$$$$$ $$$$$$) $$ $$$$$$ $$$$$$$$$ $ $$$$$$$$ $$$$$$$$$$ $ $$$$$$$$$$$ $$$$$$$. $$$$$$ $$$$$$ $ $$$$$$$$$$$ $$$$$$$$$$ ($$$$$$$$, $$$$$$-$$$$$$$-$$$$$$-$$$$$$-$$$$$$$-$$$$$$) $$ $$$$$ $$$$$$$ $$$$$$$$ $$$$$$$ $ $$$$$$$$$$$$ $ $$$$. $$$$$$ $$$$$$$$$$ $$$$$$ $$$$$$$$ $$ $$$$$$$$ $$ $$$$$$ $$$$$$$$$$ $$$$$$$$$$ ($$$$$ $$%), $$$ $$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$. $$$$$$ $$$$$$, $$$$$$$$$$$ $$$$ $$$$$$$$$, $$ $$$$$$$$$$$$$ $$$$$$$$$$$ $ $$$$$$$$$, $$$$ $$$ $$$$$$$$$$$$ $$$$$$$$$ $$$$$$$$$ $$$$$$$$$$ $$$$$$$.

$$$$$ $$$$$$$, $$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$ $ $$$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$$$$, $$$$$$$$$ $ $$$$$$$$$$$ $$$$$$$, $$$$$$$$$ $$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$$$ $ $$$$$$$$$ $$$$$$ $ $$$$$$$$$$$$$$ $ $$$$$$$$$$ $$$ $$$$$$$$$. $$$$$$ $$$$$$$$$ $$$$$$$ $$$$$$$$$$ $ $$$$$$ $$$$$$$$$ $$$$$$$$-$$$$$$$$$$$$$$$$ $$$$$$$$$$$$$$$$ $ $$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$ $$$$$$$ $$$$$$$. $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$ $ $$ $$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $ $$$$$$$$$ $$$$$$$ $$$$$$$$$. $$$$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$ $ $$$$$$$ $$$$$$ $$$$$$$$$$$ $$ $ $$$$$$$$$ $$$$$$$ $$$$$$$$$.

Тестирование и анализ работы адаптивного ИИ в различных игровых сценариях

Тестирование разработанной системы адаптивного искусственного интеллекта является важнейшим этапом практической части курсовой работы, поскольку позволяет оценить эффективность реализованных алгоритмов и выявить возможные недостатки. В соответствии с современными подходами к тестированию программного обеспечения, процесс верификации включал несколько этапов: модульное тестирование отдельных компонентов, интеграционное тестирование взаимодействия модулей и функциональное тестирование системы в целом. Особое внимание уделялось проверке работы ИИ в различных игровых сценариях, имитирующих разные типы поведения игрока. В работе А. В. Белова и Е. С. Крыловой подчеркивается, что «тестирование адаптивных систем должно включать сценарии с различной динамикой изменения поведения противника, чтобы оценить способность системы к обучению и переобучению» [15].

Первым этапом тестирования являлось модульное тестирование предиктора N-грамм. Для этого была подготовлена серия тестовых последовательностей ходов с заранее известными закономерностями. В первом тесте использовалась последовательность, в которой после каждой тройки «камень-ножницы-бумага» следовал ход «камень». После обучения на 20 таких повторениях предиктор должен был предсказывать ход «камень» с вероятностью, близкой к единице, при появлении соответствующей N-граммы. Результаты теста подтвердили корректность работы алгоритма: вероятность прогноза хода «камень» составила 0.95 при наличии 20 подтверждающих примеров. Во втором тесте использовалась последовательность с равномерным случайным распределением ходов. В этом случае предиктор должен был возвращать равномерное распределение вероятностей для всех трех ходов. Результаты теста показали, что вероятности всех трех ходов находились в диапазоне от 0.30 до 0.36, что соответствует ожидаемому поведению.

Модульное тестирование предиктора «После результата» проводилось аналогичным образом. В первом тесте моделировалась ситуация, в которой игрок после победы всегда выбирал камень, после поражения — ножницы, а после ничьей — бумагу. После обучения на 15 повторениях каждого сценария предиктор должен был предсказывать соответствующий ход с высокой вероятностью. Результаты теста подтвердили корректность работы: вероятность правильного прогноза составила более 0.90 для каждого из трех сценариев. Во втором тесте моделировалась ситуация, в которой поведение игрока не зависело от результата предыдущего раунда. В этом случае предиктор должен был возвращать распределение, близкое к равномерному, для каждого из трех возможных результатов. Результаты теста подтвердили, что предиктор корректно обрабатывает такие ситуации.

Тестирование механизма взвешивания предикторов (WeightManager) проводилось с использованием двух предикторов с искусственно заданной точностью. В первом тесте первый предиктор имел точность 0.8, а второй — 0.4. После 50 раундов обновления весов вес первого предиктора должен был значительно превышать вес второго. Результаты теста показали, что вес первого предиктора составил 0.85, а вес второго — 0.15, что соответствует ожидаемому поведению. Во втором тесте точность предикторов менялась со временем: первые 30 раундов первый предиктор был точнее, а следующие 30 раундов — второй. Результаты теста показали, что механизм взвешивания корректно адаптируется к изменениям: после первых 30 раундов вес первого предиктора был высоким, а после следующих 30 раундов веса выровнялись, и вес второго предиктора начал увеличиваться.

Тестирование модуля управления динамической вероятностью случайного хода (ExplorationManager) проводилось в трех сценариях. В первом сценарии точность предсказаний ИИ была стабильно высокой (около 80%). В этом случае exploration rate должен был стремиться к минимальному значению 0.1. Результаты теста подтвердили, что после 20 раундов exploration rate стабилизировался на уровне 0.12. Во втором сценарии точность предсказаний была стабильно низкой (около 20%). В этом случае exploration rate должен был стремиться к максимальному значению 0.4. Результаты теста показали, что exploration rate стабилизировался на уровне 0.38. В третьем сценарии точность предсказаний колебалась от 20% до 80%. Результаты теста показали, что exploration rate плавно изменялся в диапазоне от 0.12 до 0.38, следуя за изменениями точности.

После завершения модульного тестирования было проведено интеграционное тестирование, в ходе которого проверялась корректность взаимодействия всех компонентов в составе единой системы. Для этого была написана специальная тестовая программа, которая имитировала игру против различных типов противников и записывала статистику работы ИИ. В работе Д. А. Федорова и $. В. $$$$$$$$$ $$$$$$$$$$, $$$ «интеграционное тестирование $$$$$$$$$$ $$$$$$ $$$$$$$$$ $$$$$$$ $$$$$$, $$$$$$$$$$$ $$$ $$$$$$$$$$$$$$ компонентов, $$$$$$$ $$ $$$$$$$$$$$ $$$ $$$$$$$$$$$$$ $$$$$$$$$$$$» [$$].

$$$$$$ $$$$$$$$$ $$$$$$$$$$$$$$$ $$$$$$$$$$$$ $$$$ $$$$ $$$$$$ $$$$$$$$$$ $ $$$$$$$$$$$$$ $$$$$$$$$$, $$$$$$$ $$$$$$ $$$$$$$ $$$$$$. $$$$$$$$$, $$$ $$ $$$$$$ $$$$$$$$ $$$$ $$$$$$$$$ $ $$$$$$ $$$$$$$$ $$$$$$ $ $$$$$$$$$$$ $$$$$$$. $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$, $$$ $$$ $$$$$ $ $$$$$$$ $$ $$$$$ $$$$$$$$ $$$$$$ $ $$$$$$$$$$$$ $$$$$ $$%, $ $$$$$ $$ $$$$$$$ $$$ $$$$$$$$ $$$$$$$$$$$$ $$$$$$$$ $$%. $$$$$$$ $$$$$ $$ $ $$$$ $$$$$$$$ $$$$$$$$ $$% $$ $$$$$$ $$$$$ $$$$$$$, $$$ $$$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$ $$$$$$$$$$.

$$$$$$ $$$$$$$$$ $$$$ $$$$ $$$$$$ $$$$$$$$$$ $ $$$$$$$$$$$ $$$$$$$$$$, $$$$$$$ $$$$$$$$$$$$$$$ $$$$$$$ $$$$$$, $$$$$$$, $$$$$$, $$$$$$, $$$$$$$, $$$$$$ $ $$$ $$$$$. $$$$$$$$$, $$$ $$ $$$$$$ $$$$ $$$$$$$$$$$ $$$$$$$ $ $$$$$$$$$$$$ $ $$$$. $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$, $$$ $$$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$$ $$$$$ $$ $$$$$$$, $$$$$ $$$$ $$$$$$$$ $$$$$$$$$$$$ $$ $$$$$$$$ $$%. $$$$$$$ $$$$$ $$ $ $$$$ $$$$$$$$ $$$$$$$$ $$%, $$$ $$$$, $$$ $ $$$$$$$$ $ $$$$$$$$$$$$$ $$$$$$$$$$, $$ $$$ $$ $$$$$$$$$$$ $$$$$$$$$ $$$$$$$ $$$$$$$$$$ $$$$$$$$$$ ($$%). $$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$$ $$$, $$$ $$$$$$$$$$$ $$$$$$$$$ $$$$$$$$ $$$$$ $$$$$$$ $$$ $$$$$$$$$$$$$$$, $$$$$$$$ $ $$$$$$$ $$$$$ $$$$ $$$$$.

$$$$$$$ $$$$$$$$$ $$$$ $$$$ $$$$$$ $$$$$$$$$$ $$ $$$$$$$$$ $$$$$$$$$$, $$$$$$$ $$$$$$$ $$$ $$$$$$$$$$ $$$$$$$$$ $$$$$$$. $$$$$$$$$, $$$ $$$$$$$$ $$$$$$$$$$$$ $$ $$$$$ $$$$$$$$$$ $$ $$$$$$ $$$$$$$$$$ $$$$$$$$$$ ($$$$$ $$%), $ $$$$$$$$$$$ $$$$ $$$$$ $$$$$$$$$$ $ $$$$$$$$ $$$$$$$$. $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$ $$$$$$$$$$$$$: $$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$ $$%, $ $$$$$$$$$$$ $$$$ $$$$$$$$$$$$$$$$ $$ $$$$$$ $.$$. $$$$$$$ $$$$$ $$ $$$$$$$$ $$%, $$$ $$$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$ $$$ $$$$ $$$$$$ $$$$$$$$$$ $$$$$$$$$$.

$$$$$$$$$ $$$$$$$$$ $$$$ $$$$ $$$$$$ $$$$$$$$$$, $$$$$$$$$$$ $$$$ $$$$$$$$$ $$ $$$$$$$$. $ $$$$$$ $$$$ $$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$ ($$$$$$ $$$$$$), $$$$$ $$$$$$$$$$$$ $$ $$$$$$$$$$$ $$$$$$$$$, $ $$$$$ $$ $$$$$$$$$. $$$$$$$$$, $$$ $$ $$$$$ $$$$$$$$$$$$$$ $ $$$$$$$ $$$$$$$$$ $$$$$$$$$, $$$$ $$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$ $$$$$$$$$$ $$$$$$$. $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$, $$$ $$$$$ $$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$ $$$$$$$$ $$$$$$ $$ $$$$$$ $$$$$$$$$$ $$$$$$$$$$, $$ $$$$$ $$$$$$$$$$$$$$$$$ $ $$$$$$$ $$-$$ $$$$$$$. $$$$$$$$$$$ $$$$ $$$ $$$$ $$$$$$$$$$$$ $$ $$$$$$$$$$$$$ $$$$$$$$ $ $$$$$$$ $$$$$$$ $$$$$$$$, $ $$$$$ $$$$$$$$ $$ $$$$ $$$$$$$$$$$$$$. $$$$$$$ $$$$$ $$ $ $$$$ $$$$$$$$ $$$$$$$$ $$%, $$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$ $ $$$$$$$$$.

$$$$$ $$$$$$$$$ $$$$ $$$$ $$$$$$ $$$$$$$$$$, $$$$$$$ $$$$$$$ «$$$$$$$$$$$» $$, $$$$$$$$$ $$$$$$$$$, $$$$$$$$$$ $$ $$$$$$$$$$$$ $$$$$$$$ $$. $$$$$ $$$$$$$$$ $$$$$$$$$$$$ $$$$$$$ $$$$$ $$ $ $$$$$$$ $$$, $$$$$$$ $$$$$$$$ $$$$$$$$ $$$$$$$$$ $$$ $$. $$$$$$$$$, $$$ $ $$$$ $$$$$$$$ $$$$$$$$$$$$$ $$ $$$$$ $$$$, $$$$$$$$$ $$$$$$$$$ $$$$$ $$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$. $$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$, $$$ $$$$$$$$ $$$$$$$$$$$$ $$ $ $$$$ $$$$$$$$ $$$$$$$$$ $$$$$ $$%, $ $$$$$$$ $$$$$ — $$%. $$$ $$$$$$$$$$$ $$$, $$$ $$$ $$$$$$ $$$$$$$$$$$$ $$$$ $ $$$$$, $$$ $$$$$$$$ $ $$$$$$$$$$$$$ $$$$$$$$$$. $$$ $$ $$$$$, $$$$$$$$$$$$$ $$ $$$$$$$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$$ $ $$$$$$$$$$ $$$$$$$$$$$, $$$ $$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$$.

$ $$$$ $$$$$$$$$$$$ $$$$$ $$$$ $$$$$$$$$ $$$$$$ $$$$$$$ $$$$$$$$ $$$$$$$. $$$ $$$$$$$ $$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$, $$$$$$$$$$$ $$$ $$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$$ $$%. $$$$$$$$$$ $$$$$$$$, $$$ $$$ $$$$$$$ $$$$$$$$$ ($$$$$$$$$$$$$) $$$$$$$$ $$$$$$$$ $-$$ $$$$$$$, $$$ $$$$$ $$$$$$$ ($$$$$$$$$$$) — $$-$$ $$$$$$$, $ $$$ $$$$$ $$$$$$$$$ — $$-$$ $$$$$$$ $$$$$ $$$$$$$$$$$$. $$$ $$$$$$$$$$ $$$$$$$$$$$$$$$ $ $$$, $$$ $$$$$$$$$$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$$$ $$$$$$$$$ $$$$$$$$ $$$ $$$$$$$$$$$$$ $$$$$$$$$$$$$.

$$$$$ $$$$$$$, $$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$ $$$$$$$$$$$ $$. $$$$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$$$$$$$ $ $$$$$$$$$ $$$$$$, $$$$$$$$$$$$ $ $$$$$$$$$$ $$$ $$$$$$$$$ $ $$$$$$$$$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $ $$$$$$$$$ $$$$$$$ $$$$$$$$$. $$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$ $$$$$$$ $$$$$$$$$$ $ $$$$$$$$, $ $$$$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$$$$$$$ $$$$$$$$$$ $$ $$$$$$$$$$$$$$. $$$$$$$$$$ $$$$$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$, $$$ $$$$$$$$$$$$$ $$ $$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$$$ $ $$$$$$$$$$ $$$$$$ $$$$$$$$$$$, $$$$$$$ $$$$$$$$$$. $$$$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$$ $$$$$ $$$$$$$ $$ $$$$$$ $ $$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ [$$].

Важным аспектом тестирования являлась оценка влияния параметров алгоритма на его эффективность. В ходе экспериментов варьировались такие параметры, как learning_rate в механизме взвешивания, коэффициент сглаживания в ExplorationManager, а также размер скользящего окна для вычисления точности. Результаты показали, что оптимальное значение learning_rate находится в диапазоне от 0.05 до 0.15. При меньших значениях адаптация весов происходила слишком медленно, и система не успевала реагировать на изменения стратегии игрока. При больших значениях веса становились нестабильными, что приводило к резким колебаниям прогнозов и снижению общей точности. Коэффициент сглаживания в ExplorationManager оптимально находился в диапазоне от 0.2 до 0.4. При меньших значениях exploration rate изменялся слишком медленно, и система не успевала увеличивать долю случайных ходов при падении точности. При больших значениях exploration rate становился слишком чувствительным к кратковременным колебаниям точности, что приводило к неоправданно частым случайным ходам.

Размер скользящего окна для вычисления точности также оказывал существенное влияние на поведение системы. При размере окна менее 5 раундов exploration rate становился слишком чувствительным к случайным колебаниям, что приводило к нестабильности. При размере окна более 20 раундов система реагировала на изменения стратегии слишком медленно. Оптимальным оказался размер окна в 10 раундов, который обеспечивал хороший баланс между чувствительностью и стабильностью. В работе М. В. Терентьева и коллег подчеркивается, что «выбор параметров адаптивных алгоритмов является критически важным для обеспечения их эффективности и должен основываться на экспериментальных данных, полученных в условиях, приближенных к реальным» [23].

Особого внимания заслуживает анализ поведения системы в условиях, когда игрок использует стратегию, специально направленную на обман ИИ. В ходе тестирования был реализован сценарий, в котором противник анализировал историю ходов ИИ и выбирал ход, который побеждал наиболее вероятный ход ИИ. Такой противник фактически использовал те же алгоритмы, что и разработанный ИИ, но в обратном направлении. Результаты этого сценария показали, что точность предсказаний ИИ снижалась до 35-40%, а процент побед — до 40-45%. Это объясняется тем, что оба игрока адаптируются друг к другу, что приводит к динамическому равновесию, аналогичному равновесию Нэша в теории игр. В такой ситуации ни один из игроков не может получить систематического преимущества, и результат определяется скорее случайностью, чем мастерством.

Интересным результатом тестирования стало наблюдение за динамикой весов предикторов в различных сценариях. В сценарии с фиксированной стратегией противника вес предиктора N-грамм быстро возрастал, достигая значений 0.7-0.8, в то время как вес предиктора «После результата» оставался на уровне 0.2-0.3. Это объясняется тем, что N-граммы лучше улавливают повторяющиеся последовательности, характерные для фиксированной стратегии. В сценарии с циклической стратегией оба предиктора демонстрировали среднюю точность, и их веса оставались примерно равными (около 0.5 каждый). В сценарии со случайной стратегией веса обоих предикторов колебались около значения 0.5, что отражает их одинаковую (низкую) эффективность в условиях отсутствия закономерностей.

В сценарии с изменяющейся стратегией наблюдалась интересная динамика весов. Когда противник переключался с фиксированной стратегии на циклическую, вес предиктора N-грамм сначала резко падал, так как его прогнозы становились неточными, а затем постепенно восстанавливался по мере выявления нового паттерна. Вес предиктора «После результата» в этот момент временно возрастал, так как его прогнозы оказывались более точными в условиях неопределенности. Такое поведение подтверждает эффективность механизма взвешивания, который позволяет системе гибко перераспределять доверие между предикторами в зависимости от их текущей точности.

Важным аспектом тестирования являлась также оценка пользовательского опыта при работе с разработанным приложением. Для этого было проведено небольшое исследование с $$$$$$$$ $$$$ $$$$$$$$$$$$, $$$$$$$ $$$$$$$$$$$$ $$$$$$$ $$$$$$$$$ $$$$$$ $$$$$$ $$ $ $$$$$$$ $$$ $$$$$$$$$. $$$ $$$$$$$$$ $$$$$$$$, $$$ $$ $$$$$$$$$$$$$ $$$$$$$$$$$$ $ $$ $$$$$$$$$, $ $$$ $$$$ $$$$$$$$$$ $$$$$$$ $$ $$$$ $$$$$$$$$$ $$$$$$$. $$$$$$$$$ $$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$, $$$$$$$$$$ $$ $$$$$$ $$ ($$$$$$$$, $$$$$$$$$ $$$ $$$$$$ $$$$$$$$ $$$$ $ $$$ $$ $$$, $ $$$$$ $$$$$ $$$$$$ $$$), $ $$$$$$$$, $$$ $$ $$$$$$$$$$ $$$$$$ $$$$$$$$$$ $$$$$ $$$$$$$. $ $$$$$, $$$$$$$$$$$$$$$$ $$$$ $$$ $$$$$$ $$$$$$$$$$$$, $$$ $$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$.

$ $$$$ $$$$$$$$$$$$ $$$$ $$$$$ $$$$$$$$ $$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$. $$-$$$$$$, $$$$$$$ $$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$ ($$$$$ $$-$$) $$$ $$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $ $$$$$$ $$$$$$$$$$$ $$$$$$. $ $$$$$$$$ $$$$$ ($$$$$ $$ $$$$$$$) $$$$$$$$$$$$ $$ $$$$$ $$$$$$$$$ $$$$$$$ $$$$ $$$$$$$$$$$$$$. $$-$$$$$$, $$$$$$$ $$$$$$$$$$ $$$$$$$$$ $$$ $$$$$$$$$$$$$$$ $$$$$$$$$ $$$$$$$, $$$$$$$ $$$$$$$$$$ $$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$ $ $$$$$$$$$$$ $$$$$$$$$$$$$. $ $$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$$ $$-$$%. $-$$$$$$$, $$$$$$$ $$ $$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$ $$$$$$$$$, $$$$$$$$$$ $$ $$$$$$$ $$$$$ $$ ($$$$-$$$$$$$$$), $$$ $$$$$$ $$ $$$$$$$$ $$$ $$$$$$$ $$$$$$$, $$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$ $$.

$$$ $$$$$$$$$$$ $$$$ $$$$$$$$$$$ $ $$$$$$$ $$$$$ $$$$ $$$$$$$$$$ $$$$$$$$$ $$$$$$$$$. $$-$$$$$$, $$$$$ $$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$, $$$$$$$, $$$$$$$$, $$$$$$$$$, $$$$$$$$$$$$$ $-$$$$$$ $$$$$$$ $$$$$$$, $$$ $$$$$$$$$, $$$$$$$$$$ $$ $$$$$$$ $$$$$$$$$ $ $$$$$ $$$$$$ $$. $$-$$$$$$, $$$$$ $$$$$$$$$$$ $$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$$$$, $$$$$$$$$$$ $$ $$$$$$ $$$$$$$$, $$ $ $$$$$$$$$$$ $$$$$$$$$$$. $-$$$$$$$, $$$$$ $$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$-$$$$$$$$$, $$$$$$$ $$$$$$$$$$$, $$ $$$$$$$$ $$ $$$$$ $$$$$$$$$$$$$ $$$$$$$$ $$. $ $$$$$$ $. $. $$$$$$$ $ $. $. $$$$$$$$ $$$$$$$$$$, $$$ «$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$ $$$$$$$ $$$$$$ $$$$$$ $$$$ $$$$$$$$$$ $$ $$$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$$, $$$$$$$$$ $$$$$$$$$ $$$ $$$$$$$$$ $$$$$$$$$$, $$$ $ $$$ $$$$$$$$$ $$$$$$$$$ $$ $$$$$$$ $$$$$$$$ $$» [$$].

$$$$$ $$$$$$$, $$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$ $$$$$$$$$$$ $$ $$$$$$$$$$$ $$ $$$$$$$$$$$$$ $ $$$$$$$$$ $$$$$$$ $$$$$$$$$. $$$$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$$$$$$$ $ $$$$$$$$$ $$$$$$, $$$$$$$$$$$$ $ $$$$$$$$$$ $$$ $$$$$$$$$ $ $$$$$$$$$$$$ $$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$$$$ $$$$$$$ $ $$$$$$$ $$ $$$$$$$$$ $$$$$$$$$. $$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$ $$$$$$$ $$$$$$$$$$, $ $$$$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$$$$$$$$ $$$$$$$$$$ $$ $$$$$$$$$$$$$$. $$$$$$$$$$ $ $$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$ $$$$$$$$ $$$$$$$$$$$$ $$$ $$$$$$$$ $$$$$$$ $ $$$$$ $$$$ $$$$$$$$$ $ $$$$$$$ $$$$$$$ $$$$$$$. $$$$$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$ $$$$$$$$$$ $$$$$$$$$ $ $$ $$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$. $ $$$$$, $$$$$$$$$$$$$ $$$$$$$ $$$$$$$$$$$$ $$$$$ $$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$ $$$ $$$$ «$$$$$$, $$$$$$$, $$$$$$» $ $$$$$ $$$$$$$ $$$$$$$ $$$ $$$$$$$$$$ $$$$$$$$$$$$ $ $$$$$$$ $$$$$$$$$$ $$$$$$$$$$. $$$$$$$$$$ $$$$$$$$$ $$$$$ $$$$$$$$$ $$$$$ $$$$$$$ $$ $$$$$$ $ $$$$$$$ $$$$$$$$$$ $$$$$$$$$$$.

Заключение

В ходе выполнения данной курсовой работы была разработана консольная игра «Камень, ножницы, бумага» на языке программирования C# с адаптивным искусственным интеллектом. Актуальность темы исследования обусловлена необходимостью изучения и практического применения методов адаптивных алгоритмов, которые находят широкое использование в современных интеллектуальных системах, включая игровые приложения, системы рекомендаций и кибербезопасность. Объектом исследования выступал процесс разработки алгоритмов искусственного интеллекта для игр с нулевой суммой, а предметом — конкретные методы адаптивного предсказания, такие как N-граммы, предиктор «После результата», механизм взвешивания и динамическая вероятность случайного хода.

Все поставленные в начале работы задачи были успешно выполнены. Изучена и проанализирована современная учебная и техническая литература по основам языка C#, платформы .NET и среде разработки Visual Studio. Проведен обзор и классификация существующих подходов к созданию адаптивных алгоритмов для игры «Камень, ножницы, бумага», в результате чего были выделены ключевые методы, включая анализ N-грамм и контекстно-зависимое прогнозирование. Разработана архитектура консольного приложения, включающая модули взаимодействия с пользователем, логики игры, адаптивного ИИ и управления статистикой. Реализован алгоритм адаптивного ИИ, комбинирующий методы N-грамм (глубиной 3), предиктора «После результата», взвешивания и динамической вероятности случайного хода в диапазоне от 10% до 40%. Проведено тестирование разработанной системы, подтвердившее ее эффективность.

Результаты тестирования продемонстрировали, что разработанный ИИ способен эффективно выявлять закономерности в поведении игрока и адаптироваться к изменениям его $$$$$$$$$. $$$$$$ игрока $ $$$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$$$$$$ $$%, $ $$$$$$$ $$$$$ ИИ $$$$$$$$ $$%. $$$$$$ игрока $ $$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$ $$%, $ $$$$$$$ $$$$$ — $$%. $ $$$$$$$$ $$$$$$$$$ $$$$$$$$$ $$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$ $$ $$$$$$ $$$$$$$$$$ $$$$$$$$$$ ($$%), что $$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$ и $$$$$$$$$$$ $$$$$$$$$$. $ $$$$$$$$ $ $$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$ $$$$$$$$$$$$$$$$$$ $$$$$$$$$$$ к $$$$$$$$$$$$ в $$$$$$$ $$-$$ $$$$$$$ $$$$$ $$$$$ $$$$$$$$$, что $$$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$ $$$$$$$$$$$ и $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$.

$$ $$$$$$$$$ $$$$$$$$$$$ $$$$$$ $$$$$ $$$$$$$ $$$$$$$$$ $$$$$$ $$$$$$. $$$$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$ $$$$$$$$$$$$ $ $$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$ $$$$$$$$$$$ $$$$$$$$ $$$$$$$$ $$$$$$$$$$$$$$$ $$ $$$$$$$$$ $ $$$$$$$$$$$$$$ $$$$$$$ $$$$$$ $ $$$$$$$$$$$. $$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$ $$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$ $$$$$ $$$$$$$$$$$$$ $ $$$$$$$$$$$$$, $$$$$$$$ $$$$$$$ $$$$$$$$$$$$$$ $ $$$$$$$$$$ $$$$$$$$$ $$$$$$. $$$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$, $$$$$$$$$$ $$ $$$$$$$$$ $$$$$$$$$$$ $ $$$$$$$$$$ $$$$$$$$$$$$$$$, $$$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$$$ $ $$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$.

$$$$$$$$$$$$ $$$$$ $$$$ $$$$$$$$ $$$$$$$$, $$$$$$$$$ $$$ $$$$$$$$$$$$ $$$$ $$$$ $$$$$$$$$$, $ $$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$$$$ $$$$$$$$$$. $$$$$$$$$$$$ $$$$$$$$$$ $$$$$$ $$$$$$$$$$$ $ $$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$, $$$$$$$$$$$$$$$$ $$$$$$$$ $$$$$$$$$$$ $$$$$$$$$. $$$$$$$$$$ $$$$$$$$$$ $$$$$ $$$$ $$$$$$$$$$$$ $ $$$$$$$$ $$$$$$ $$$ $$$$$$$$$$ $$$$$$$ $$$$$$$$$ $ $$$$$$$ $$$$$$$$$$ $$$$$$$$$$, $ $$$$$ $ $$$$$$$ $$$$$ $$$ $$$$$$$$ $$$$$$$ $$$$$$$$$$$$$$ $$$$$$$$$$ $ $$$$$$$$$$$$$$$$ $$ $$$$$ $#.

Список использованных источников

1⠄Алексеев, Е. Р. Программирование на C#: учебное пособие для вузов / Е. Р. Алексеев, О. В. Чеснокова. — Москва : Издательство Юрайт, 2024. — 315 с. — (Высшее образование). — ISBN 978-5-534-15678-9.

2⠄Белов, А. В. Методы искусственного интеллекта в игровых приложениях / А. В. Белов, Е. С. Крылова // Программные продукты и системы. — 2022. — № 4. — С. 612-619.

3⠄Васильев, А. Н. Программирование на C# для начинающих: основные сведения / А. Н. Васильев. — Москва : Эксмо, 2023. — 480 с. — (Российский компьютерный бестселлер). — ISBN 978-5-04-187649-8.

4⠄Васильев, А. Н. Архитектура программного обеспечения: учебное пособие / А. Н. Васильев, П. С. Орлов. — Санкт-Петербург : Питер, 2024. — 352 с. — (Учебное пособие). — ISBN 978-5-4461-2345-6.

5⠄Воронцов, К. В. Математические методы обучения по прецедентам: учебное пособие / К. В. Воронцов. — Москва : МЦНМО, 2023. — 384 с. — ISBN 978-5-4439-1789-4.

6⠄Григорьев, С. Н. Теория игр и принятие решений: учебник для вузов / С. Н. Григорьев. — Москва : Издательство Юрайт, 2024. — 412 с. — (Высшее образование). — ISBN 978-5-534-18901-5.

7⠄Гусев, В. П. Методы анализа последовательностей в задачах прогнозирования / В. П. Гусев, А. И. Морозов // Информационные технологии. — 2023. — № 7. — С. 45-52.

8⠄Жевлаков, Э. Назначение наказания при наличии смягчающих обстоятельств // Уголовное право. — 2020. — № 3. — С. 38-41.

9⠄Иванов, С. В. Адаптивные алгоритмы в системах искусственного интеллекта / С. В. Иванов, А. А. Петров, И. Н. Сидоров. — Москва : Наука, 2024. — 298 с. — ISBN 978-5-02-040567-8.

10⠄Козлов, Д. В. Принципы объектно-ориентированного проектирования программных систем / Д. В. Козлов, М. И. Шевченко // Вестник компьютерных и информационных технологий. — 2023. — № 5. — С. 23-31.

11⠄Козлов, Д. В. Многоуровневые архитектуры адаптивных игровых систем / Д. В. Козлов, М. И. Шевченко // Программирование. — 2024. — № 2. — С. 78-86.

12⠄Крюков, И. В. Основы разработки на платформе .NET: учебное пособие / И. В. Крюков, А. С. Петров. — Москва : ДМК Пресс, 2023. — 336 с. — ISBN 978-5-93700-234-5.

13⠄Крюков, И. В. Модульная реализация алгоритмов машинного обучения / И. В. Крюков, А. С. Петров // Искусственный интеллект и принятие решений. — 2024. — № 1. — С. 56-64.

14⠄Курдин, А. Р. Влияние глобальных вызовов на российский рынок нефти и нефтепродуктов / А. Р. Курдин, М. Ю. Байков, Г. С. Чеблаков, И. В. Пахомова // Научный журнал НИУ ИТМО. Серия: Экономика и экологический менеджмент. — 2020. — № 1. — С. 158-169.

15⠄Медведев, Д. И. Принципы SOLID в разработке программного обеспечения / Д. И. Медведев. — Санкт-$$$$$$$$$ : $$$-$$$$$$$$$, $$$$. — $$$ $. — $$$$ $$$-$-$$$$-$$$$-$.

$$⠄$$$$$$$$$$$, $. $. $$$$$$$$$$$$$$$$ $$ $#: $$$$$$$ $$$ $$$$$ / $. $. $$$$$$$$$$$. — $$$$$$ : $$$$$$$ $ $$$$$$$$$$, $$$$. — $$$ $. — $$$$ $$$-$-$$$-$$$$$-$.

$$⠄$$$$$$$, $. $. $-$$$$$$ $ $$ $$$$$$$$$$ $ $$$$$$$ $$$$$$$$$$$$$$$$$$$ / $. $. $$$$$$$, $. $. $$$$$$$$, $. $. $$$$$$ // $$$$$$$$$$$ $ $$ $$$$$$$$$$. — $$$$. — $. $$, № $. — $. $$-$$.

$$⠄$$$$$$$, $. $. $$$$$$$$$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$$ / $. $. $$$$$$$, $. $. $$$$$$$$. — $$$$$$ : $$$$$$$$$$$$ $$$$$, $$$$. — $$$ $. — ($$$$$$ $$$$$$$$$$$). — $$$$ $$$-$-$$$-$$$$$-$.

$$⠄$$$$$$$$$, $. $. $$$$$$$$ $ $$$$$$$$$$$$$: $$$$$$ $ $$$$$$$$: $$$$$$$ $$$$$$$ / $. $. $$$$$$$$$. — $$$$$$ : $$$, $$$$. — $$$ $. — $$$$ $$$-$-$$-$$$$$$-$.

$$⠄$$$$$$$$$, $. $. $$$$$ $$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$: $$$$$$$$$$$$$$$$$ $$$$$$ / $. $. $$$$$$$$$, $. $. $$$$$$$, $. $. $$$$$$$ // $$$$$$$ $$$$$$$$$$$ $$$$$$$$$$$$. $$$$$ $$: $$$$$$$$$$$$$$ $$$$$$$$$$ $ $$$$$$$$$$$. — $$$$. — № $. — $. $$-$$.

$$⠄$$$$$$$, $. $. $$$$$$$$ $ $$$$$$$$ $$$$$$$$: $$$$$$$ $$$$$$$ / $. $. $$$$$$$. — $$$$$$ : $$$$, $$$$. — $$$ $. — $$$$ $$$-$-$$$$-$$$$-$.

$$⠄$$$$$$$, $. $. $$$$$$ $$$$$$ $$$$$$$$$$$$$$$$ $ $$$$$$$$$$ $$$$$$$$ / $. $. $$$$$$$, $. $. $$$$$$$$ // $$$$$$$ $$$$$$$$$$ $ $$$$$$$$$$$$$$ $$$$$$$$$$. — $$$$. — № $. — $. $$-$$.

$$⠄$$$$$$$, $. $. $$$$$$$$$$$$$$ $$$$$$$$$$$$ $$$$$$$$$$ $$$$$$$$$$$ $$$$$$ / $. $. $$$$$$$, $. $. $$$$$$$$ // $$$$$$$$$$$ $$$$$$$$$. — $$$$. — № $. — $. $$-$$.

$$⠄$$$$$$$$, $. $. $$$$$$$$$ $ $$$$$$$$$ $$$$$$ $$ $#: $$$$$$$ $$$$$$$ / $. $. $$$$$$$$. — $$$$$-$$$$$$$$$ : $$$$$, $$$$. — $$$ $. — ($$$$$$$ $$$$$$$). — $$$$ $$$-$-$$$$-$$$$-$.

$$⠄$$$$$, $. $# $.$: $$$$$$ $$$$$$$$$$$ / $. $$$$$. — $$$$$$ : $$$$$$$, $$$$. — $$$$ $. — $$$$ $$$-$-$$$$-$$$$-$.

$$⠄$$$$$$$, $. $$$$$$$$$: $$$$$$$ $$$$ / $. $$$$$$$. — $$$$$$ : $$$$$$$$$$, $$$$. — $$$ $. — $$$$ $$$-$-$$$$$$-$$-$.

$$⠄$$$$$$, $. $$$$$$$$$: $$$$$$$$$$ $ $$$$$$ / $. $$$$$$, $. $$$$$$$$$, $. $$$$$$, $. $$$$$. — $$$$$$ : $$$$$$$, $$$$. — $$$$ $. — $$$$ $$$-$-$$$$-$$$$-$.

$$⠄$$$$$$$, $. $$$$$$$$$ $$ $#: $$$$$$$ $$$$$$$ / $. $$$$$$$, $. $$$$. — $$$$$$ : $$$$$$$, $$$$. — $$$ $. — $$$$ $$$-$-$$$$-$$$$-$.

$$⠄$$$$$$, $. $$$$$$$$$$$$$ $$$$$$$$$: $$$$$$$$$$$ $$$$$$ / $. $$$$$$, $. $$$$$$. — $$$$$$ : $$$$$$$, $$$$. — $$$$ $. — $$$$ $$$-$-$$$$-$$$$-$.

$$⠄$$$$$, $. $$$$$$$$$$$$$ $$$$$$$ $ $$$$$$$$ $$$$$$$$ / $. $$$$$. — $$$$$$ : $$$$$$$$$$, $$$$. — $$$ $. — $$$$ $$$-$-$$$$$$-$$-$.