تعادل نش روی اوچی
بازی راهبردی — یعنی در نظر گرفتن امتیاز حریف هنگام تصمیمگیری — ارزش ۰٫۲ تا ۰٫۶ درصد احتمال برد در هر لگ و تا ۲٫۳ درصد در بهترین از ۳۵ دارد [MOD].
۱. مسئله: مدلهای قبلی حریف را نادیده میگرفتند
| لایهٔ مدل | چه چیزی را در نظر میگیرد |
|---|---|
| مدل گاوسی | فقط مهارت شما (σ) |
| MDP | مهارت + امتیاز باقی‑ماندهٔ شما |
| بازی مجموع‑صفر | + امتیاز حریف ✅ |
🔑 دو مدل اول فرض میکنند شما تنها بازی میکنید. اما دارت یک بازی دونفره است.
۲. مدل: بازی مجموع‑صفر پویا (ZSG)
چیست
فرمول‑بندی که تعادل و سیاستهای بهترین‑پاسخ را در برابر حریف حل میکند.
داده
با دادهٔ ۱۶ نفر برتر فصل ۲۰۱۹ تغذیه شده [MOD].
مجموع‑صفر یعنی چه؟
در دارت، برد یکی دقیقاً برابر باخت دیگری است. این تعریف بازی مجموع‑صفر است — و کلاس مسائلی که ریاضیات آنها را کاملاً حل کرده.
۳. نتیجهٔ عددی
بازی راهبردی (با در نظر گرفتن امتیاز حریف) ارزش دارد:
| فرمت | ارزش |
|---|---|
| در هر لگ | ۰٫۲ تا ۰٫۶ درصد احتمال برد |
| بهترین از ۳۵ | تا ۲٫۳ درصد |
آیا این زیاد است؟
⚠️ در نگاه اول، خیر. نیم درصد در هر لگ ناچیز به نظر میرسد.
اما: در سطحی که فاصلهٔ بین نفر اول و بیستم جهان چند درصد است، همین تعیین‑کننده است.
💡 مقایسه: لیتلر و هامفریز اختلاف میانگین حدود ۲٫۵ واحد دارند. دو و سه دهم درصد احتمال برد در یک مسابقهٔ بلند، از این جنس تفاوتهاست.
۴. منطق عملی: چه زمانی چه کنیم
| موقعیت | سیاست | چرا |
|---|---|---|
| حریف روی چک‑اوت است | ریسکی‑تر | امید نوبتهای باقی‑مانده کم است |
| شما جلو هستید | محافظه‑کارانه‑تر | نیازی به ریسک نیست |
| هر دو عقب | استاندارد | بازی معمولی |
مثال عملی
سناریو: شما روی ۱۷۰، حریف روی ۴۰.
| انتخاب | منطق |
|---|---|
| تلاش برای ۱۷۰ (T20-T20-Bull) | ریسکی، اما تنها شانس شما |
| بازی محافظه‑کارانه برای ساخت باقی‑مانده | ❌ حریف احتمالاً پیش از نوبت بعدی تمام میکند |
🔑 وقتی حریف روی فینیش است، «تنها شانس» شما ریسک است.
۵. مفهوم Setup Shot در تئوری بازی
انتخابهایی که با منطق «بیشترین امتیاز» بی‑معنا به نظر میرسند، در تئوری بازی منطقی میشوند:
مثال ۱ — از ۲۲۹
| انتخاب | باقی‑مانده | نتیجه |
|---|---|---|
| T20 (۶۰) | ۱۶۹ | ❌ بوگی |
| T19 (۵۷) | ۱۷۲ | ✅ |
مثال ۲ — از ۲۲۰ با T20 مسدود
هر ترپلی به بوگی میرسد. دبل‑بول (۵۰) ⇒ ۱۷۰ ✅
این تصمیمها امتیاز کمتری میدهند اما احتمال برد بیشتری.
۶. تبار نظری
| مدل | مشارکت |
|---|---|
| Kohler (۱۹۸۲) | MDP شاخه‑و‑کران — نخستین برنامه‑ریزی پویا |
| Stern & Wilcox (۱۹۹۷) | بیشینه‑سازی امتیاز تک‑دارت با توزیع وایبول |
| Percy (۱۹۹۹) | همان مسئله |
| Tibshirani et al. (۲۰۱۱) | مدل گاوسی + EM |
| Baird (۲۰۲۰) | MDP کامل با قوانین واقعی و تکرار مقدار |
| Haugh & Wang | بازی مجموع‑صفر پویا — لایهٔ حریف |
۷. محدودیتهای عملی
الف) پیچیدگی محاسباتی
سیاست بهینهٔ ZSG یک جدول عظیم است — نه چیزی که بتوانید حفظ کنید.
ب) نیاز به دانستن مهارت حریف
مدل فرض میکند σ حریف را میدانید. در عمل، نمیدانید.
ج) بازدهٔ کم
۰٫۲ تا ۰٫۶ درصد در هر لگ — کمتر از سودی که از بهبود σ یا جدول شخصی دبل میگیرید.
⚠️ اولویت‑بندی: ابتدا σ خود را کم کنید، سپس جدول دبل شخصی بسازید، بعد به تئوری بازی فکر کنید.
۸. آنچه میتوانید عملاً استفاده کنید
از کل این نظریه، سه قاعدهٔ ساده قابل استخراج است:
قاعدهٔ ۱ — حریف روی فینیش
ریسک کنید. بازی محافظه‑کارانه وقتی حریف میتواند لگ را تمام کند، بی‑معنا است.
قاعدهٔ ۲ — شما خیلی جلو
محافظه‑کار باشید. از بوگی پرهیز کنید، به دبل طلایی خود برسید.
قاعدهٔ ۳ — مسدودشدن ترپل
گزینههای غیرمعمول را بررسی کنید — مثل دبل‑بول از ۲۲۰.
۹. رابطه با سایر مدلها
مدل گاوسی (σ)
↓
MDP (σ + باقی‑ماندهٔ شما)
↓
بازی مجموع‑صفر (σ + باقی‑ماندهٔ شما + امتیاز حریف)
هر لایه، لایهٔ قبلی را در بر میگیرد و یک متغیر اضافه میکند.
۱۰. جمعبندی
- بازی مجموع‑صفر پویا لایهٔ حریف را اضافه میکند
- ارزش: ۰٫۲–۰٫۶٪ در هر لگ، تا ۲٫۳٪ در بهترین از ۳۵
- حریف روی فینیش ⇒ ریسکی‑تر | شما جلو ⇒ محافظه‑کارانه‑تر
- Setup Shot در تئوری بازی منطقی میشود
- ⚠️ بازدهٔ کم — ابتدا σ و جدول دبل شخصی
- سه قاعدهٔ ساده قابل استفاده است
❓ پرسشهای متداول
تعادل نش در دارت یعنی چه؟ سیاستی که در برابر بهترین پاسخ حریف هم بهینه باقی میماند.
چقدر ارزش دارد؟ ۰٫۲ تا ۰٫۶ درصد احتمال برد در هر لگ، تا ۲٫۳ درصد در بهترین از ۳۵ [MOD].
کِی باید ریسک کنم؟ وقتی حریف روی چک‑اوت است — چون امید نوبتهای باقی‑ماندهٔ شما کم است.
آیا باید این را حفظ کنم؟ خیر. سیاست کامل یک جدول عظیم است. سه قاعدهٔ ساده کافی است.
آیا ارزش وقت گذاشتن دارد؟ بازدهٔ آن کمتر از بهبود σ یا ساخت جدول دبل شخصی است. اولویت آخر.
📚 منابع
- Haugh & Wang — بازی مجموع‑صفر پویا، دادهٔ ۱۶ نفر برتر ۲۰۱۹، ارزش ۰٫۲–۰٫۶٪ و تا ۲٫۳٪ [MOD]
- Baird, JORS 71(6) — MDP کامل و تکرار مقدار [MOD] [PR]
- Kohler (۱۹۸۲) — MDP شاخه‑و‑کران
- Stern & Wilcox (۱۹۹۷)؛ Percy (۱۹۹۹) — توزیع وایبول
- Tibshirani, Price & Taylor — مدل گاوسی [MOD] [PR]
- Darts Checkout Assistant — منطق Setup Shot [PK]
🔗 مطالعهٔ بیشتر
ریاضیات دارت · مدل گاوسی · MDP · راهبرد پرهیز از Bogey · درخت تصمیم فینیش
جمعآوری شده توسط بابک آقایی | بر پایهٔ سیستم مرجع دانش دارت نسخهٔ ۴.۰ | بازبینی: ۱ اوت ۲۰۲۶