用于基于模拟的策略分析的蒙特卡洛树搜索
人工智能
2019-08-06 v1
摘要
游戏常被设计用以按期望方式塑造玩家行为；然而，设计决策如何影响游戏中的行为空间往往并不清晰。设计师通常通过人类试玩来探索该空间，这可能耗时且在穷尽可能行为空间方面效果有限。本文中，我们提出使用自动化规划智能体来模拟不同技能水平的人类以生成游戏通关记录。随后可从这些记录中收集指标，以评估当前游戏设计并识别其潜在缺陷。我们在两款游戏中演示该技术：流行的文字游戏Scrabble，以及我们自行设计的名为Cardonomicon的集换式卡牌游戏。通过这些案例研究，我们展示了利用模拟智能体建模不同技能水平的人类，如何使我们提取指标以描述游戏平衡性（Scrabble之情形）并凸显潜在设计缺陷（Cardonomicon之情形）。
引用
@article{arxiv.1908.01423,
title = {Monte-Carlo Tree Search for Simulation-based Strategy Analysis},
author = {Alexander Zook and Brent Harrison and Mark O. Riedl},
journal= {arXiv preprint arXiv:1908.01423},
year = {2019}
}