为策略游戏生成多样化且具竞争力的玩法风格
人工智能
2021-06-29 v2
摘要
设计能够在保持竞争力水平的同时实现不同玩法风格的智能体是一项困难的任务，尤其是对于研究界尚未发现超人类表现的游戏，如策略游戏。这些游戏要求 AI 处理巨大的动作空间、长期规划与部分可观测性，以及其他众所周知的使决策成为难题的因素。在此基础上，使用通用算法在不降低游戏强度的前提下实现 distinct 玩法风格并非易事。在本文中，我们提出带渐进式解剪枝的投资组合蒙特卡洛树搜索（Portfolio Monte Carlo Tree Search with Progressive Unpruning）来游玩一款回合制策略游戏（Tribes），并展示如何对其参数化，从而使用质量-多样性算法（MAP-Elites）在实现不同玩法风格的同时保持竞争力的游戏水平。我们的结果表明，即便对于超出训练所用范围的广泛关卡集合，该算法也能够实现这些目标。
引用
@article{arxiv.2104.08641,
title = {Generating Diverse and Competitive Play-Styles for Strategy Games},
author = {Diego Perez-Liebana and Cristina Guerrero-Romero and Alexander Dockhorn and Linjie Xu and Jorge Hurtado and Dominik Jeurissen},
journal= {arXiv preprint arXiv:2104.08641},
year = {2021}
}
备注
8 pages, 2 figures, published in Proc. IEEE CoG 2021