فلش‌کارت‌های آموزشی ساخت موتور بازی هوشمند با AI Game Engine Programming

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت موتور بازی هوشمند با AI Game Engine Programming

موضوع کلی: برنامه‌نویسی موتور بازی

موضوع میانی: هوش مصنوعی در بازی‌سازی

📋 سرفصل‌های دوره

• 1. مقدمه ای بر موتورهای بازی هوشمند
• 2. بررسی معماری یک موتور بازی مدرن
• 3. تنظیم محیط توسعه و ابزارهای مورد نیاز
• 4. معرفی حلقه اصلی بازی (Game Loop)
• 5. مدیریت زمان و فیزیک وابسته به فریم
• 6. سیستم ورودی: کیبورد، ماوس و کنترلر
• 7. معرفی Game Object ها و Component ها
• 8. سیستم پیام رسانی و رویدادها (Event System)
• 9. مفاهیم پایه رندرینگ و گرافیک سه بعدی
• 10. مدیریت صحنه (Scene Management) و گراف صحنه
• 11. بارگذاری و مدیریت منابع (Asset Management)
• 12. مفاهیم اولیه برخورد و فیزیک (Collision Detection)
• 13. ذخیره سازی و بارگذاری حالت بازی (Serialization)
• 14. ابزارهای اشکال زدایی (Debugging) برای موتور بازی
• 15. اصول برنامه نویسی شیءگرا در ساخت موتور
• 16. هوش مصنوعی در بازی‌ها: تاریخچه و اهمیت
• 17. مفهوم عامل هوشمند (AI Agent)
• 18. ماشین‌های حالت متناهی (FSM)
• 19. پیاده سازی ماشین‌های حالت سلسله مراتبی (HFSM)
• 20. مقدمه ای بر تئوری گراف در هوش مصنوعی
• 21. الگوریتم جستجوی اول سطح (BFS)
• 22. الگوریتم جستجوی اول عمق (DFS)
• 23. الگوریتم جستجوی دایجسترا برای کوتاه‌ترین مسیر
• 24. الگوریتم A* برای مسیر یابی بهینه
• 25. تکنیک‌های بهینه سازی A* (مانند Jump Point Search)
• 26. رفتارهای هدایتی (Steering Behaviors): Seek, Flee, Arrive
• 27. رفتارهای هدایتی: Wander, Pursuit, Evade
• 28. رفتارهای هدایتی: Cohesion, Separation, Alignment (Flocking)
• 29. پیاده سازی یک سیستم پایه رفتارهای هدایتی
• 30. تحلیل و انتخاب الگوریتم‌های مسیر یابی مناسب
• 31. نقاط مسیر (Waypoints) و گراف ناوبری
• 32. معرفی شبکه‌های ناوبری (Navigation Meshes – NavMesh)
• 33. تولید خودکار NavMesh از هندسه محیط
• 34. پرس و جو و مسیر یابی بر روی NavMesh
• 35. به روز رسانی دینامیک NavMesh برای محیط‌های تغییر پذیر
• 36. سیستم‌های گریز از مانع (Obstacle Avoidance): RVO و ORCA
• 37. شبیه سازی جمعیت (Crowd Simulation)
• 38. مدیریت انبوه عوامل هوشمند
• 39. فیلدهای جریان (Flow Fields) برای ناوبری
• 40. هموارسازی مسیر (Path Smoothing) و بهینه سازی
• 41. ناوبری محلی در مقابل ناوبری سراسری
• 42. ناوبری چند عامله (Multi-Agent Pathfinding)
• 43. تقسیم بندی فضایی برای ناوبری سریع‌تر
• 44. طراحی هوش مصنوعی برای پلتفرمرها
• 45. مدیریت محیط‌های سه بعدی پیچیده در ناوبری
• 46. درخت‌های رفتاری (Behavior Trees): مفاهیم و ساختار
• 47. پیاده سازی یک فریمورک درخت رفتاری
• 48. گره‌های ترکیبی (Composites): Sequence, Selector, Parallel
• 49. گره‌های دکوراتور (Decorators) و شرطی‌ها (Conditionals)
• 50. گره‌های وظیفه (Tasks) و اکشن‌ها (Actions)
• 51. اشکال زدایی و تجسم درخت‌های رفتاری
• 52. برنامه ریزی اکشن گرا مبتنی بر هدف (GOAP)
• 53. پیاده سازی یک سیستم GOAP
• 54. هوش مصنوعی مبتنی بر ابزار (Utility AI): مفاهیم و طراحی
• 55. توابع امتیازدهی (Scoring Functions) و ارزیابی کننده‌ها
• 56. هوش مصنوعی مبتنی بر ملاحظه (Consideration-Based AI)
• 57. منطق فازی (Fuzzy Logic) برای تصمیم گیری‌های هوشمند
• 58. پیاده سازی سیستم‌های منطق فازی
• 59. درخت‌های تصمیم (Decision Trees) در هوش مصنوعی بازی
• 60. نقشه‌های تأثیر (Influence Maps) برای استراتژی
• 61. سیستم‌های حسگر (Sensor Systems): بینایی، شنوایی، بویایی
• 62. کامپوننت‌های ادراکی برای عاملان
• 63. نمایش دانش جهان (World Representation) و تابلوهای اطلاعات (Blackboards)
• 64. معماری باور-میل-قصد (BDI)
• 65. سیستم‌های حافظه برای عاملان هوشمند
• 66. مکانیزم‌های توجه (Attention Mechanisms)
• 67. ارتباطات بین عاملان هوشمند
• 68. سیستم‌های ارزیابی تهدید
• 69. هوش مصنوعی موقعیتی (Situational AI)
• 70. یادگیری و به روزرسانی دانش عامل
• 71. مقدمه‌ای بر یادگیری ماشین برای بازی‌ها
• 72. یادگیری نظارت شده (Supervised Learning) برای طبقه‌بندی
• 73. یادگیری نظارت شده برای رگرسیون (Regression)
• 74. یادگیری بدون نظارت (Unsupervised Learning) و خوشه‌بندی
• 75. یادگیری تقویتی (Reinforcement Learning): مفاهیم و MDP
• 76. پیاده سازی الگوریتم Q-Learning
• 77. شبکه‌های Q عمیق (Deep Q-Networks - DQN)
• 78. روش‌های گرادیان سیاست (Policy Gradient)
• 79. یادگیری ماشینی برای تولید محتوای رویه‌ای (PCG)
• 80. مدل‌سازی رفتار بازیکن (Player Modeling) با ML
• 81. تنظیم دینامیک سختی بازی (Dynamic Difficulty Adjustment)
• 82. استفاده از ML برای تست و تعادل بازی
• 83. یکپارچه سازی فریمورک‌های ML (مانند TensorFlow/PyTorch)
• 84. طراحی محیط‌های آموزشی برای عاملان RL
• 85. کاربردهای پیشرفته یادگیری تقویتی در بازی‌های پیچیده
• 86. هوش گروهی (Swarm Intelligence) و الگوریتم‌های کلونی مورچگان
• 87. الگوریتم‌های ژنتیک و هوش مصنوعی تکاملی
• 88. مقدمه‌ای بر شبکه‌های عصبی برای هوش مصنوعی
• 89. هوش مصنوعی احساسی (Emotional AI) و شخصیت‌ها
• 90. سیستم‌های گفتگو و مکالمه برای NPC ها
• 91. هوش مصنوعی برای بازی‌های استراتژی زمان واقعی (RTS)
• 92. هوش مصنوعی برای بازی‌های تیراندازی اول شخص (FPS)
• 93. هوش مصنوعی برای بازی‌های نقش آفرینی (RPG)
• 94. هوش مصنوعی اجتماعی و رفتارهای گروهی
• 95. هوش مصنوعی مولد (Generative AI) برای طراحی بازی
• 96. پروفایلینگ و بهینه سازی عملکرد هوش مصنوعی
• 97. پردازش موازی برای سیستم‌های هوش مصنوعی
• 98. تست و اعتبارسنجی سیستم‌های هوش مصنوعی
• 99. ابزارهای ویرایشگر و اسکریپت نویسی بصری برای AI
• 100. آینده هوش مصنوعی در توسعه موتورهای بازی