通过智能试错在少量试验中寻找难度适中的游戏关卡
人工智能
2020-06-29 v2 机器学习
摘要
动态难度调整方法可使游戏针对特定玩家定制以最大化其参与度。然而，当前方法通常仅修改有限的游戏特征，如对手难度或资源可用性。其他方法如经验驱动的程序化内容生成（PCG）可生成具有期望属性（如既不太难也不太易）的完整关卡，但需要大量迭代。本文提出一种方法，能在仅少量试验中生成并搜索具有特定目标难度的完整关卡。该进展由一种智能试错（Intelligent Trial-and-Error）算法实现，该算法最初用于使机器人快速适应。我们的算法首先创建大量沿预定义维度（如宽容度或地图覆盖率）变化的不同关卡。一个AI博弈智能体在这些地图上的表现可作为该关卡对另一AI智能体（例如采用蒙特卡洛树搜索而非贪婪树搜索者）难度的代理；利用此信息，部署贝叶斯优化过程，更新先验地图的难度以反映智能体的能力。该方法能为多种规划智能体在仅少量试验中可靠地找到具有特定目标难度的关卡，同时保持对其技能地貌的理解。
引用
@article{arxiv.2005.07677,
title = {Finding Game Levels with the Right Difficulty in a Few Trials through Intelligent Trial-and-Error},
author = {Miguel González-Duque and Rasmus Berg Palm and David Ha and Sebastian Risi},
journal= {arXiv preprint arXiv:2005.07677},
year = {2020}
}
备注
To be presented in the Conference on Games 2020