通过多目标进化学习拓展层次多样性

近年来，游戏关卡的多样性生成日益受到关注，旨在提供更丰富、更具沉浸感的游戏体验。文献中提出了多种关卡多样性指标，这些指标本质上是多维的，导致这些维度之间存在冲突、互补或两者兼有的关系。然而，现有的关卡生成方法往往未能全面评估这些维度上的多样性。本文旨在通过考虑多维多样性来拓展关卡生成的视野，将模型训练形式化为多目标学习问题，将每个多样性指标视为独立目标。进一步提出一种多目标进化学习框架，在模型训练过程中同步优化多个多样性指标。我们在常用基准Super Mario Bros.上的案例研究表明，所提出的框架能够增强多维多样性，并识别一组生成模型的帕累托前沿，提供游戏可玩性与两种代表性多样性指标（包括一种基于内容的指标和一种以玩家为中心的指标）之间的多种权衡。这种能力使决策者能够在满足玩家和设计师多样化需求的各种场景下，作出明智的选择。